ChatTTS 文字转语音 0.98整合包

目前最强的AI文字转语音

大家应该都刷到过AI配音的电影解说，这个男人叫小帅，这个女人叫小美。这些视频，无一例外都是由人工智能配音，语音包来源于微软Azure文字转语音。

你知道的，微软的文字转语音，是目前语气最接近真人说话，而且商用价格最低廉的AI应用。如果你是个人用户，且使用频率不高，甚至可以白嫖，之前我也写过一篇教程。

当然，微软的文字转语音不够自然，可选的中文语音库就那么几十个。而且它的发音，接近人类，却过于标准，听多了难免觉得厌倦。

今天，我们就解决这个问题。这篇文章将要全面科普一个开源项目：ChatTTS。

它在GitHub斩获了28.7K Star，是一个现象级的存在，甚至被誉为当下最强的AI文字转语音。

它利用了目前最先进的深度学习算法，在音调、情感表达、多语言识别方面极其出色，可以生成非常逼真的语音。

关键在于，微软Azure的语音模型不仅闭源，而且只能联网使用。而ChatTTS，是一个可以在本地部署的AI大模型。只要在电脑上部署好，硬件满足性能要求，就能永久免费实用。

最重要的是，随着版本更新到0.98，目前ChatTTS生成的语音，已经非常出色。如果我不告诉你，你甚至都不知道这是AI生成的语音。

下面这段语音，是我用自己写的文章，生成的一段语音，效果非常惊艳。它不仅可以精准传达文字，而且咬字节奏还很有个人特色。

这也就意味着，掌握这门技术，只要你想，你可以模拟任何人声。和往常一样，我们不仅会科普技术，还会给到具体的实操方法。

ChatTTS本地部署教程

怎么在Windows电脑上部署ChatTTS语音模型？这个东西还是有门槛的。开发者提供的方法，需要调用大量代码，很难大面积普及。

而我们的目标，是让普通人也能掌握最新的科技。这篇教程，我们提供的是一键部署的安装包，和配套的运行库。一共只需要两步，电脑小白也能轻松上手。

在Windows上部署ChatTTS，只需要两步：1，安装ffmpeg，2，安装ChatTTS。

ChatTTS完全是凭借机能实现的，无需联网。一段30秒的音频生成，需要4GB显存以上的独立显卡才能完成。没独显的话，就只能调用CPU，速度会慢些——但不是不能用。

只要你的电脑不是太老，运行起来是没问题的。需要用到的软件，工具，我都打包好了，获取方式拉到文章底部。

1）安装FFmpeg

说明：FFmpeg是一个开源的多媒体框架，在ChatTTS中主要用来录制、转换和传输音频，部署前毕竟安装它，否则无法运行。

1，下载我准备的最新压缩包，解压到C盘（系统盘）的Program Files文件夹里，地址是“C:\Program Files\ffmpeg”。

2，打开“ffmpeg” -> “bin” ，在文件路径处按下右键，点击复制地址。我的是“C:\Program Files\ffmpeg\bin”，记住一定是“bin”的路径，这个地址很重要，后面要用到。

3，Windows搜索框，直接搜索“环境变量”进入，接着再点点环境变量。

如果是旧系统搜不到，那就右键打开我的电脑，打开“系统属性” -> “高级系统设置” -> “环境变量”。

4，在下半页部分，依次打开“环境变量” -> 系统变量” -> “path”。在编辑环境变量页面里，点击新建，然后把刚才复制的地址，“C:\Program Files\ffmpeg\bin”，复制进去，然后点确定。

5，验证ffmpeg是否安装好（可做可不做），打开Windows系统的命令提示符，输入ffmpeg -version，验证ffmpeg是否安装成功。如果成功，则会看到下面这张图。

好了，到这一步就大功告成了。ffmpeg的安装比较复杂，但是不亏。它同时也是个视频、音频处理神器，功能极其强悍，这里不多介绍。

2）安装ChatTTS

这个版本是ChatTTS 0.98最新版的一键本地部署包，已经全部打包好，解压即可使用。

1，下载ChatTTS压缩包，随便找一个硬盘，解压进去。

2，打开解压好的文件，点击“APP”这个文件，启动ChatTTS。

3，如果ffmpeg已经顺利安装好，则会直接启动命令行，这就是ChatTTS的本体。

4，之后，浏览器会自动弹出ChatTTS的前端页面，界面非常简单，只有核心功能。别看页面简陋，所有涉及文字转语音的设置都在里面，技术至上的产品是这样的。

ChatTTS已经安装好了，使用方法也很简单。为了减少大家摸索的成本，下面做个基础教程。

ChatTTS基础教程

1，首先在文本框，输入你要转换成语音的文字。注意标点符号要规范，因为它会基于标点符号，判断应该如何发音。

2， 接下来选一个音色，它预装了几十种音色，你可以直接选择，试听。

3，ChatTTS强大的地方在于，它可以自己自定义“音色”，也就是“音色抽卡”。我比较常用的是2222,9999，这里在音色值里，输入一个数字，就能定位到我们想要的声音。

4，语速、温度这些参数调一下，点击立即合成。接下来，ChatTTS就会在后台自动处理。显卡越强，则处理速度越快。我用的是4060TI，速度大概是10秒处理30个字左右。

以上就是ChatTTS的基础使用方法，其实ChatTTS今年6月刚出来的时候，我就用了，当时存在音色不稳定、无法批量生成的BUG。我认为不实用，就没有进行讲解。

而最新的0.98版本更新了内核，我之前遇到的问题，都修复了不少，现阶段基本可以拿来当生产力工具使用。

唯一的遗憾是，因为声音太逼真，开发者为了规避风险略微降低了音质。但这其实不是问题，用剪映后期处理一下就很不错了——用来制作视频，效果接近完美。大家可以对比一下。