1、环境：

mkdir tts
cd tts
python3 -m venv .venv
source .venv/bin/activate


2、安装

 https://github.com/coqui-ai/TTS 

pip install TTS

6.3G呢，别着急


3、跑实际的语音clone

import torch
from TTS.api import TTS

# Get device
device = "cuda" if torch.cuda.is_available() else "cpu"

# List available 🐸TTS models
print(TTS().list_models())

# Init TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

# Run TTS
# ❗ Since this model is multi-lingual voice cloning model, we must set the target speaker_wav and language
# Text to speech list of amplitude values as output
wav = tts.tts(text="Hello world!", speaker_wav="my/cloning/audio.wav", language="en")
# Text to speech to a file
tts.tts_to_file(text="Hello world!", speaker_wav="my/cloning/audio.wav", language="en", file_path="output.wav")

官方例子别管他

sample是用豆包的语音

ffmpeg -i input.mp4 output.wav

用命令转换出来的

好了，跑出来了


4、TODO

跑出来了，但是其实非常的慢

我感觉第一是我给的sample的声音有点过长了，给个6秒的就够了，官方也说了

第二是，这个框架我感觉就是故意的

第三是，它本身还有一个server版本

明天看看