言簡意賅的講解XTTS解決的痛點

📎 前置操作：如何使用 OBS Studio 錄制高質量 WAV 語音（建議先閱讀并準備錄音樣本）

本教程介紹如何使用 Coqui TTS 的 XTTS v2 模型 實現中文語音克隆，支持直接傳入 .wav 文件，還原你的音色與語調，生成帶有個性化音色的語音合成結果。

---

? 背景說明

與 ChatTTS 不同，XTTS v2 支持通過 speaker_wav 參數傳入一個用戶語音樣本文件，自動提取發音人嵌入，無需手動處理 speaker_vector。

但前提是：音頻格式必須標準，否者容易出現：

• 聲音變形、模糊、爆音
• 模型推理失敗（采樣率錯誤 / 多聲道）

所以我們準備了兩套方案：

• 方案一：直接合成，適合你手頭有干凈、合規的 .wav
• 方案二：帶音頻預處理，推薦使用，可處理 OBS 默認錄音格式

---

🧰 安裝依賴（推薦虛擬環境）

將以下內容保存為 requirements.txt：

torch==2.7.1
torchaudio==2.7.1
TTS==0.22.0
numpy==1.24.3
scipy==1.11.4
soundfile==0.13.1

安裝命令：

pip install -r requirements.txt

---

🚀 方案一：快速語音克隆（需標準音頻）

import torch
from torch.serialization import add_safe_globals# 添加所有需要信任的類
from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import XttsAudioConfig, XttsArgs
from TTS.config.shared_configs import BaseDatasetConfig# 注冊這些類為“安全可加載”的類
add_safe_globals([XttsConfig, XttsAudioConfig, BaseDatasetConfig, XttsArgs])from TTS.api import TTSdevice = "cuda" if torch.cuda.is_available() else "cpu"# 加載模型
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)tts.tts_to_file(text="如果幫助到了您，請一鍵三連。關注博客，文浩（楠搏萬）,感謝您的支持。",file_path="克隆output.wav",speaker_wav="xxx.wav",  # 替換為你錄的語音路徑language="zh",emotion='happy',split_sentences=True
)print("? 合成完成！語音文件已保存為 克隆output.wav")

🎧 試聽下載：克隆output.wav（← 請替換為實際試聽鏈接）

---

🧼 方案二：推薦做法（自動處理音頻格式）

OBS 默認輸出通常是 44.1kHz / 雙聲道，XTTS 模型不兼容。以下腳本會自動處理格式問題：

import torch
from torch.serialization import add_safe_globals# 先注冊這些類為可信任的全局對象
from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import XttsAudioConfig, XttsArgs
from TTS.config.shared_configs import BaseDatasetConfigadd_safe_globals([XttsConfig, XttsAudioConfig, BaseDatasetConfig, XttsArgs])# 再導入 TTS
from TTS.api import TTS
import torchaudio# 設置設備
device = "cuda" if torch.cuda.is_available() else "cpu"# 加載模型
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)# 預處理你的 speaker 音頻
def preprocess_wav(path, out_path="clean.wav"):signal, sr = torchaudio.load(path)if signal.shape[0] > 1:signal = signal.mean(dim=0, keepdim=True)if sr != 16000:resample = torchaudio.transforms.Resample(orig_freq=sr, new_freq=16000)signal = resample(signal)torchaudio.save(out_path, signal, 16000)return out_pathspeaker_wav = preprocess_wav("xxx.wav") # 替換為你錄的語音路徑# 合成文本
my_text = "如果幫助到了您，請一鍵三連。關注博客，文浩（楠搏萬）,感謝您的支持。"# 合成并保存
tts.tts_to_file(text=my_text,speaker_wav=speaker_wav,file_path="克隆過濾版output.wav",language="zh",split_sentences=True,emotion='happy',speed=1.2
)print("? 合成完成，輸出為 克隆過濾版output.wav")

🎧 試聽下載：克隆過濾版output.wav（← 請替換為實際試聽鏈接）

---

🎛? 可調參數說明（重點推薦）

參數名	功能描述	示例
emotion	控制語氣，如 'happy'	'happy'
speed	控制語速，1.0為默認	1.2
split_sentences	自動分句朗讀	True
language	設置合成語言（中文為 "zh"）	"zh"

---

🔁 音頻來源建議

• 使用 OBS Studio 錄音時：

  • 格式設為 .wav
  • 采樣率設置為 48kHz（后續會統一成16kHz）
  • 聲道選單聲道或立體聲（腳本可自動降維）

• 錄音內容控制在 5～15 秒

• 自然語氣朗讀，普通話標準即可

---

通過上述內容，你就已經基本理解了這個方法，基礎用法我也都有展示。如果你能融會貫通，我相信你會很強

Best
Wenhao (楠博萬)