• ubuntu 18.04 64bit
• Nvidia GTX 1070Ti 8G

Tortoise 是一个开源的 Text-To-Speech 程序，具有强大的文本转语音功能和高度逼真的语音和语调。

创建一个全新的 python 虚拟环境

conda create -n tts python=3.8
conda activate tts

然后，拉取源码，安装依赖

git clone https://github.com/neonbjb/tortoise-tts.git
cd tortoise-tts
pip install -r requirements.txt
python setup.py install

将单句文本转换成语音

python tortoise/do_tts.py --text "I'm going to speak this" --voice random --preset fast

脚本执行成功后，在文件夹 results 会生成3个音频 wav 文件，声音是随机匹配的，生成的音频，大家可以听听，感受一下效果

音频播放器 音频播放器 音频播放器

当前系统中所有的可用声音都存放在目录 tortoise/voices 下面，如果中意哪个人的声音，可以在脚本参数中指定， train_ 打头的效果会更好

python tortoise/do_tts.py --text "I'm going to speak this" --voice tom --preset fast

tom 版的声音也感受一下

音频播放器 音频播放器 音频播放器

如果有很多的文本需要处理，可以将它们放在一个文本文件里，比如

Hello world.
Hello Rust.
Nice to meet you.

然后执行脚本

python tortoise/read.py --textfile test.txt --voice random

脚本会将文本文件分解成一个个的句子，然后分别将它们转换为语音。待所有的语句都生成后，再将它们组合成一个文件并输出

音频播放器

最后，来看看中文的表现

python tortoise/do_tts.py --text "你好，世界" --voice random --preset fast

音频播放器 音频播放器 音频播放器

这效果也太差了点，看了看 issues，https://github.com/neonbjb/tortoise-tts/issues/5，目前官方还不支持其它语言，需要自己去训练 wav2vec 模型

自定义声音

如果想把特定的声音加入到 tortoise 中，需要如下步骤

• 搜集特定人的音频片段
• 将音频整理成大概10秒左右的一个个小片段，至少需要3个片段，越多越好
• 音频片段使用 wav 格式，采样率 22050
• 在目录 tortoise/voices 下创建一个新的文件夹，以声音人名命名，方便记忆，比如 zhangsan，然后将上面整理好的 wav 文件拷贝进来
• 最后的使用就是在脚本中参数 --voice 指定为 zhangsan

脚本运行期间，会从 huggingface 站点上下载一堆的模型文件，这里打包了一下，存放在了云盘里，自取

链接：https://pan.baidu.com/s/1EJD4N2yamDNh6X_0GtoaRQ
提取码：3qrq

下载后，解压缩后拷贝到目录 ~/.cache，文件结构如下