Coqui TTS 安装与测试

2025-06-21 01:54:17预测世界杯足球 6306

前言

本篇记录一下 Coqui TTS 的安装。Coqui-TTS 的主要作者是德国人，这个库似乎之前和 Mozilla 的 TTS （https://github.com/mozilla/TTS）有千丝万缕的关系，但是现在后者的 TTS 已经停止更新，而 Coqui TTS 更新一直很稳定，是目前少数几个更新比较稳定的开源语音库。（其他有 ESPNET，SpeechBrain 等）

GitHub 官网：

GitHub - coqui-ai/TTS: 🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and production🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and production - GitHub - coqui-ai/TTS: 🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and productionhttps://github.com/coqui-ai/TTS

正文

首先直接跳到 Readme 的安装部分。

pip install TTS

或者

git clone https://github.com/coqui-ai/TTS

pip install -e .[all,dev,notebooks] # Select the relevant extras

直接用 pip 感觉就不太行，当然要 git clone 一下，极客一点。结果第二行就没看懂，pip install -e 是什么，后面方括号是什么……（-e 表示拉了一个链接，目录的更新实时生效；方括号及方括号内的东西其实不加也行）

于是还是 pip install TTS 了

这里普通用户应该直接开始漫长等待就好了，注意 TTS 是依赖 torch 的，由于 torch 庞大的体积，所以可能是要等很久。但是我这里由于环境问题，只能用特定版本的 torch，否则用不了 GPU。。所以就要先安装 torch 在安装 TTS了，避免自动安装的 torch 无法使用。这里 TTS 的依赖是 torch 版本大于 1.7 即可。

下面是克隆环境的 conda 的命令：

conda create --name coquiTTS --clone espnet --clone 命令能够复制之前的库，速度应该是稍微快一点，但是实测会重新下载 torch，不知道是什么原因，暴躁的我直接 cp 命令手动拷贝了hh（目前似乎没有什么坏的影响，本来还以为会有一些元文件被覆盖会出错）

好，影响就是我 pip 安装的包都安装回原来的路径了，手动捂脸哭，本来想着不要影响原来的环境，正确的解法是加上 --offline

conda create --name coquiTTS --clone original_env --offline

不知道为什么，torch 本来我本机环境有，还是会要自己下载，offline 模式会报错，说尝试 offline 模式建立远程连接。所以只能

conda create --name coquiTTS --clone original_env

复制环境后，pip 安装 TTS，会有很多乱七八糟的依赖，所以记得设置源。不然会很慢：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

pip install TTS

安装完会有很长很长的输出。(结果是我给安装到原来的环境里了）

测试

先是官方的测试。

tts --list_models

这里的输出是（TTS版本 0.8.0）：

Name format: type/language/dataset/model 1: tts_models/multilingual/multi-dataset/your_tts 2: tts_models/en/ek1/tacotron2 3: tts_models/en/ljspeech/tacotron2-DDC 4: tts_models/en/ljspeech/tacotron2-DDC_ph 5: tts_models/en/ljspeech/glow-tts 6: tts_models/en/ljspeech/speedy-speech 7: tts_models/en/ljspeech/tacotron2-DCA 8: tts_models/en/ljspeech/vits 9: tts_models/en/ljspeech/fast_pitch 10: tts_models/en/vctk/vits 11: tts_models/en/vctk/fast_pitch 12: tts_models/en/sam/tacotron-DDC 13: tts_models/en/blizzard2013/capacitron-t2-c50 14: tts_models/en/blizzard2013/capacitron-t2-c150 15: tts_models/es/mai/tacotron2-DDC 16: tts_models/fr/mai/tacotron2-DDC 17: tts_models/uk/mai/glow-tts 18: tts_models/zh-CN/baker/tacotron2-DDC-GST 19: tts_models/nl/mai/tacotron2-DDC 20: tts_models/de/thorsten/tacotron2-DCA 21: tts_models/de/thorsten/vits 22: tts_models/de/thorsten/tacotron2-DDC 23: tts_models/ja/kokoro/tacotron2-DDC 24: tts_models/tr/common-voice/glow-tts 25: tts_models/it/mai_female/glow-tts 26: tts_models/it/mai_female/vits 27: tts_models/it/mai_male/glow-tts 28: tts_models/it/mai_male/vits 29: tts_models/ewe/openbible/vits 30: tts_models/hau/openbible/vits 31: tts_models/lin/openbible/vits 32: tts_models/tw_akuapem/openbible/vits 33: tts_models/tw_asante/openbible/vits 34: tts_models/yor/openbible/vits 1: vocoder_models/universal/libri-tts/wavegrad 2: vocoder_models/universal/libri-tts/fullband-melgan 3: vocoder_models/en/ek1/wavegrad 4: vocoder_models/en/ljspeech/multiband-melgan 5: vocoder_models/en/ljspeech/hifigan_v2 6: vocoder_models/en/ljspeech/univnet 7: vocoder_models/en/blizzard2013/hifigan_v2 8: vocoder_models/en/vctk/hifigan_v2 9: vocoder_models/en/sam/hifigan_v2 10: vocoder_models/nl/mai/parallel-wavegan 11: vocoder_models/de/thorsten/wavegrad 12: vocoder_models/de/thorsten/fullband-melgan 13: vocoder_models/de/thorsten/hifigan_v1 14: vocoder_models/ja/kokoro/hifigan_v1 15: vocoder_models/uk/mai/multiband-melgan 16: vocoder_models/tr/common-voice/hifigan

下面是查看模型信息

tts --model_info_by_name tts_models/tr/common-voice/glow-tts

> model type : tts_models > language supported : tr > dataset used : common-voice > model name : glow-tts > description : Turkish GlowTTS model using an unknown speaker from the Common-Voice dataset. > default_vocoder : vocoder_models/tr/common-voice/hifigan

tts --text "text for TTS" --out_path ./test_speech.wav

终于到了激动人心的时刻，要合成语音了。执行命令后，开始自动下载预训练模型，用了 3 分钟，经典连接中断报错。网络环境，哎。

> Downloading model to /root/.local/share/tts/tts_models--en--ljspeech--tacotron2-DDC

Traceback (most recent call last):

File "/root/miniconda3/envs/coqui/lib/python3.8/site-packages/urllib3/connectionpool.py", line 703, in urlopen

httplib_response = self._make_request(

File "/root/miniconda3/envs/coqui/lib/python3.8/site-packages/urllib3/connectionpool.py", line 449, in _make_request

six.raise_from(e, None)

File "", line 3, in raise_from

File "/root/miniconda3/envs/coqui/lib/python3.8/site-packages/urllib3/connectionpool.py", line 444, in _make_request

httplib_response = conn.getresponse()

File "/root/miniconda3/envs/coqui/lib/python3.8/http/client.py", line 1348, in getresponse

response.begin()

File "/root/miniconda3/envs/coqui/lib/python3.8/http/client.py", line 316, in begin

version, status, reason = self._read_status()

File "/root/miniconda3/envs/coqui/lib/python3.8/http/client.py", line 285, in _read_status

raise RemoteDisconnected("Remote end closed connection without"

http.client.RemoteDisconnected: Remote end closed connection without response

During handling of the above exception, another exception occurred:

注意！Coqui 下载模型失败后，并没有检查有没有下载成功。这个再次合成，会报错。需要自己手动删掉下载的目录，再重新下载，否则会一直报错。参考链接：https://github.com/coqui-ai/TTS/issues/927

cd ~/.local/share/tts/

rm -r tts_models--en--ljspeech--tacotron2-DDC/

然后非常玄学的事情发生了，我再次尝试下载时，没有做任何修改，就下载成功了。所以同学们可以多尝试几次。

tts --text "text for TTS" --out_path ./test_speech.wav

100%|████████████████████████████ █████████████████████████████████ █████████████████████████████████ █████████████████████████████████ ████████████████████| 113M/113M [ 05:58<00:00, 315kiB/s]

> Model's license - apache 2.0

> Check https://choosealicense.c om/licenses/apache-2.0/ for more info.

> Downloading model to /root/.lo cal/share/tts/vocoder_models--en- -ljspeech--hifigan_v2

100%|█| 3.80M/3.80M [00:01<00:00,

> Model's license - apache 2.0

> Check https://choosealicense.c om/licenses/apache-2.0/ for more info.

> Using model: Tacotron2

> Setting up Audio Processor...

| > sample_rate:22050

| > resample:False

| > num_mels:80

| > log_func:np.log

| > min_level_db:-100

| > frame_shift_ms:None

| > frame_length_ms:None

| > ref_level_db:20

| > fft_size:1024

| > power:1.5

| > preemphasis:0.0

| > griffin_lim_iters:60

| > signal_norm:False

| > symmetric_norm:True

| > mel_fmin:0

| > mel_fmax:8000.0

| > pitch_fmin:0.0

| > pitch_fmax:640.0

| > spec_gain:1.0

| > stft_pad_mode:reflect

| > max_norm:4.0

| > clip_norm:True

| > do_trim_silence:True

| > trim_db:60

| > do_sound_norm:False

| > do_amp_to_db_linear:True

| > do_amp_to_db_mel:True

| > do_rms_norm:False

| > db_level:None

| > stats_path:None

| > base:2.718281828459045

| > hop_length:256

| > win_length:1024

> Model's reduction rate `r` is set to: 1

> Vocoder Model: hifigan