我要投稿

ChatTTS打破人机对话的壁垒！短视频、小说配音，营销推广场景大杀器！

发布日期：2024-06-04 14:13:07 浏览次数： 2646 作者：AI研习所

过去我们让AI说话，它给出的总是不咸不淡的机器合成声音，毫无波澜的死板音调让人听得昏昏欲睡。但由于chatTTS的到来，一切都将会变得不一样。作为一款强大的对话式文本转语音模型，它完美解决了用户对于生动对话的需求。如此功能不可小觑，可以称得上在业界一骑绝尘。对于短视频内容创作，有声小说配音，数字营销推广以及日常办公，它都可以成为强有力的助手。此外，该项目还衍生出音色抽卡，长文本推理，角色扮演等功能。

项目简介

ChatTTS由2noise推出，是专门为对话场景设计的文本转语音模型，例如LLM助手对话任务。使用非常简单，只需输入文本和信息，就可以生成相应的语音文件。它同时支持英文和中文，两种语言的发声效果都非常良好，甚至你可以输入中英文混搭的语句，它也能切换自如，轻松驾驭。

ChatTTS的训练量也是十分惊人。最大的模型使用了10万小时以上的中英文数据进行训练。在HuggingFace中开源的版本为4万小时训练且未SFT的版本。

ChatTTS非常适合处理通常分配给大型语言模型LLM的对话框任务。当集成到各种应用程序和服务中时，它可以生成对话响应，并提供更自然、更流畅的交互体验。

核心功能

1. ChatTTS文本转语音

ChatTTS能够生成自然流畅的语音，输入的文本里允许加入笑声 [laugh] 和停顿 [uv_break] 作为韵律标记，可操作性很强。有了这些停顿和语气词等副语言现象，它听起来就像是我们在日常生活中的自然交流。它的发声也是不拘一格，比如你提问四川当地有哪些美食，它给出的回答还会带有一点口音！

（几个示例https://colab.research.google.com/github/Kedreamix/ChatTTS/blob/main/ChatTTS_infer.ipynb#scrollTo=_xrONBIj9oxo）

如果让它朗读/陈述信息，可以听到音质相当不错，声音清晰饱满，背景噪音较少，语速适中，声调平稳，英文发音颇为地道。。。这简直是广播电台的播音员无疑了！当然，也存在发音词带有吞音之类的问题，不过还是瑕不掩瑜。

如果让它读故事，那听起来真是抑扬顿挫，它时而提升声调突出重点，时而放缓过渡，同时也能处理好断句。

总的来说，ChatTTS针对对话式任务进行了优化，实现了自然流畅的语音合成，同时支持多说话人。生成效果上，不论是语调还是语气的变化，都比较细腻，非常接近真人的说话方式，不会停留在单一的音调上显得生硬。整体上声音很连贯，不会有别扭的感觉。

2.细粒度控制--韵律调整:

该模型能够预测和控制细粒度的韵律特征，包括笑声、停顿和插入词等。前面我们有提到过韵律特征：停顿和笑声，实际上模型有许许多多种韵律的调整，不仅限于文本里常见的附加[uv_break]和[laugh]（实际上笑声也有三种，[laugh_0]、[laugh_1]、[laugh_2]），还有[music]、[pure]、[oral_0]、[speed_3]、[Stts]、[Ptts]等，标记处上下文都会受到程度不一的影响，这样可以很好地做到控制情绪的表达而不显突兀。当然，目前运用参数自动地对文本的预处理还是不够精细的，可能还是需要一定的人工处理，不然将会更为理想。

言而总之，这个模型可以精确控制韵律元素包括笑声，停顿和语调等韵律元素。

项目实操

基础用法

import ChatTTSfrom IPython.display import Audiochat = ChatTTS.Chat()chat.load_models(compile=False) # Set to True for better performancetexts = ["PUT YOUR TEXT HERE",]wavs = chat.infer(texts, )torchaudio.save("output1.wav", torch.from_numpy(wavs[0]), 24000)

进阶用法

说话人生成的主要方法是先从高斯噪声中采样，然后得到一个固定长度的说话人向量，最后作为额外的信息，输入到网络。给出的项目音色本来是不能固定的，但我们可以通过固定随机种子，将音色固定，解决音色过于随机的问题

#################################### Sample a speaker from Gaussian.rand_spk = chat.sample_random_speaker()params_infer_code = {'spk_emb': rand_spk, # add sampled speaker'temperature': .3, # using custom temperature'top_P': 0.7, # top P decode'top_K': 20, # top K decode}#################################### For sentence level manual control.# use oral_(0-9), laugh_(0-2), break_(0-7)# to generate special token in text to synthesize.params_refine_text = {'prompt': '[oral_2][laugh_0][break_6]'}wav = chat.infer(texts, params_refine_text=params_refine_text, params_infer_code=params_infer_code)#################################### For word level manual control.text = 'What is [uv_break]your favorite english food?[laugh][lbreak]'wav = chat.infer(text, skip_refine_text=True, params_refine_text=params_refine_text, params_infer_code=params_infer_code)torchaudio.save("output2.wav", torch.from_numpy(wavs[0]), 24000)https://colab.research.google.com/github/Kedreamix/ChatTTS/blob/main/ChatTTS_infer.ipynb#scrollTo=_xrONBIj9oxo