ChatTTS一键包长文本语音生成教程

下载

首先，下载一个ChatTTS的一键包。在这里放一个知乎大佬分享的界面：

https://zhuanlan.zhihu.com/p/700962264?utm_psn=1829365246923505664

下载一键包后只需点击运行.exe即可使用。

运行后可以看到一个这样的界面。

cuda问题

一键包需要匹配的cuda，但我的cuda有问题也能打开并使用一键包，只是不能使用里面的音效增强功能，会报错。

不使用音质增强音效会比较差，我后面用AU解决了这个问题。该教程后面也会附上解决方案。

文本处理

即“勾选以启用txt文件上传批量处理”，就可以上传txt文件或者SRT文件作为要转 语音的文本。

上传前文本预处理

这里主要介绍TXT文件的预处理，SRT文件的没试过。

读长文本的时候需要预处理。特别是想要ChatTTS读一些需要缓慢、温和、稳定的文本，比如说资料、有声书、科普类视频的时候。ChatTTS一键包的语速通常较快（即使把speed这一项拉到0也比较快）所以就需要对文本预处理进行断句。

一键包中经测试停顿代码[uv_break]无法正常使用。会直接被读出来而不是停顿。 建议直接处理文本，逗号就是小停顿。句号是大停顿（但不一定，有的时候ai也会连读）。

一般进行的处理有：

1. ChatTTS无法识别冒号、分号、括号、书名号、破折号等等一系列的除了逗号和句号以外的符号。可以在文档里提前把这些符号批量换成逗号或者句号。 在每个句号后面换行。

2. 用文心一言这一类文本处理ai按照语言朗读结构在句子停顿处加上逗号。

3. 如果句子里逗号太多，就手动把某些逗号改成句号。ai切割会有不合理的地方，记得自己简单看一遍调一下。

4. 把文本复制到TXT里导入。

比如说如下长文本：

原子核是原子的核心部分，由‌质子和‌中子两种微粒构成。质子又由两个‌上夸克和一个‌下夸克组成，而中子则由两个下夸克和一个上夸克组成。

处理后变成了：

原子核，是原子的核心部分。

由‌，质子和‌中子，两种微粒构成。

质子，又由两个‌上夸克，和一个‌下夸克组成。

而中子，则由两个下夸克，和一个上夸克组成。

提炼文本

勾上。不勾非常捧读。

切分文本长度

自己按需求调。不调也无所谓。

音频选项

音频种子

随机种子比较麻烦，建议在这个网站找种子。

魔搭社区

网站里有表格，备注了男声女声，声音年龄段，文本朗读稳定度等信息，点击种子id可在表格下方试听，可下载种子文件。

下载种子文件再上传到一键包就好了。网站里的种子编号和一键包不是对应的。

文本种子

比较玄学。就算是一个感情多读几遍，读出来也差异巨大。有心理作用想调可以调一下，不调也无所谓。

语速

一般是0，右拉是变快，不能变慢。

口语化程度

如果读有声书、科普类视频配音之类的就拉到0，不然莫名其妙的语气词会非常多。就算拉到0也有零星几个，需要后期自己手动消掉。

笑声

不需要的时候都是0。

停顿

按需要调整，不要调到大于6，会吞掉停顿后面的一部分语音。

音频增强

都勾上，但可能会报错。

ODE Solver

最高质量RK4

其他参数

不用调

保存种子及音色配置

在配置管理的音色名称中打种子你自定义的配置名称，点保存音色配置就行了。下次要用的时候点选择音色配置并应用配置。

一些可能遇到的问题

1. 因为ChatTTS每句话都是分开生成然后合并在一起的。每句话之间语气、语速、音量大小差异巨大怎么办？

• 语气问题：一般我会相同的参数重复生成3段音频，导入AU，然后一句话一句话试听，把我觉得最好的段落都剪辑在一起。

• 语速问题：大部分依靠上面提到的文本预处理和剪辑。少部分用AU自带的音频伸缩，直接拉，10%以内的调节音调差异都比较小。

• 音量问题：

  导入AU，转换成立体声。

  在收藏夹里使用AU自带的“标准化为-3dB”。

  手动粗略地按段落分区拉一下那些音量特别小的部分，因为有的音量真的太小了，用插件不好调。

  用AU的插件或者其他音频处理软件平衡音量。网上有很多教程，可以直接搜索。

2. 手动粗略地按段落分区拉一下那些音量特别小的部分，因为有的音量真的太小了，用插件不好调

• 用AU的滤波器或者其他音频处理软件平衡音量。网上有很多教程，可以直接搜索。

3. 句子里在不该停顿的地方停顿了怎么办？或者没有在该停顿的地方停顿怎么办？

• 要么重新生成这句话，直到生成你想要的，然后剪辑进来。要么用其他音频处理软件剪辑。推荐前一种办法，比较自然。

4. 声音不够好听怎么办？

• AU或者其他调音软件自调。或者多生成几遍这句话找一个比较满意的。即使完全相同参数生成的声音也有可能有透亮的和闷闷的。