如何用 tts_with_vc_to_file 让 TTS 单说话人模型输出目标音色？-平芜编程栈

如何用 tts_with_vc_to_file 让 TTS 单说话人模型输出目标音色？

【免费下载链接】TTS🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and production项目地址: https://gitcode.com/GitHub_Trending/tt/TTS

单说话人 TTS 模型只能合成固定的一个音色，无法直接“克隆”别人声音。Coqui TTS 的 Python API 提供了tts_with_vc_to_file：它先用 TTS 模型把文本合成出来，再用语音转换（voice conversion）模型把合成结果转成speaker_wav指定说话人的音色，最后写入 wav 文件。按照 docs/source/inference.md 的说法，这种方式“can clone voices by using any model in 🐸TTS”。下文以仓库文档中的单说话人示例为准，说明完整的操作路径。

准备条件

先安装 TTS（文档推荐用 PyPI）：

pip install TTS

需要准备两样东西：

一个单说话人 TTS 模型。可以用 CLI 的tts --list_models或 Python 的TTS().list_models()列出可用模型，从列表里挑一个单说话人模型。文档示例使用德语单说话人模型tts_models/de/thorsten/tacotron2-DDC。
一段目标说话人的参考 wav，作为目标音色的参考音频。文档示例中路径写作target/speaker.wav，实际操作时替换成你自己的参考音频路径。

API docstring 中提到“Some models might be too slow on CPU”，如果你有 GPU，可以按文档的模式把模型移到设备上。

这个方法内部做了什么

结合 TTS/api.py 中tts_with_vc的实现，tts_with_vc_to_file执行三步：

用当前加载的 TTS 模型合成文本，先写入一个临时 wav 文件；
如果还没有加载语音转换模型，自动加载voice_conversion_models/multilingual/vctk/freevc24，以临时 wav 作为source_wav、以传入的speaker_wav作为target_wav做音色转换；
把转换后的音频保存到file_path，采样率取自语音转换模型配置中的vc_config.audio.output_sample_rate。

注意speaker_wav在这个调用里扮演的是目标音色参考，而不是“要被转换掉的源声音”——源声音是 TTS 模型刚刚合成的那一段。另外，与tts_to_file不同，tts_with_vc_to_file的源码实现中没有返回值，判断是否成功以file_path处的文件是否生成为准。

执行步骤

文档给出的单说话人主路径示例（README.md 与 docs/source/inference.md 内容一致）：

from TTS.api import TTS # Init TTS with the target model name tts = TTS("tts_models/de/thorsten/tacotron2-DDC") tts.tts_with_vc_to_file( "Wie sage ich auf Italienisch, dass ich dich liebe?", speaker_wav="target/speaker.wav", file_path="output.wav" )

参数说明（来自 TTS/api.py 的函数签名与 docstring）：

text（第一个位置参数）：要合成的文本。示例使用德语单说话人模型，因此文本是德语。
speaker_wav：目标说话人的参考 wav 路径，本场景的必需输入；示例路径target/speaker.wav需替换为你自己的文件。
file_path：输出文件路径，默认"output.wav"。
language：多语言模型的语言代码。对非多语言模型传入该参数会抛出ValueError("Model is not multi-lingual butlanguageis provided.")（_check_arguments的检查），所以德语单说话人示例中没有传它。
speaker：多说话人模型的说话人名称，单说话人模型不需要。
split_sentences：默认True，分句合成再拼接音频；设为False会占用更多显存，并可能触发模型特有的文本长度或显存限制。

首次运行时模型会自动下载，构造函数可用progress_bar参数控制下载进度条的显示（文档其他示例中写作TTS("...", progress_bar=False)）。

有 GPU 时可选地把模型移到设备：

import torch device = "cuda" if torch.cuda.is_available() else "cpu" tts = TTS("tts_models/de/thorsten/tacotron2-DDC", progress_bar=False).to(device)

可选分支：fairseq 多语言单说话人模型。名称格式为tts_models/<lang-iso_code>/fairseq/vits，覆盖约 1100 种语言，同样支持该 API：

api = TTS("tts_models/deu/fairseq/vits") api.tts_with_vc_to_file( "Wie sage ich auf Italienisch, dass ich dich liebe?", speaker_wav="target/speaker.wav", file_path="output.wav" )

结果验证与已知限制

调用结束后，检查file_path指定的输出文件是否生成，播放确认音色已转为speaker_wav中的说话人。文档对语音转换模型的描述是“Convert source wav to target speaker”，即输出应带目标参考音频的音色。
输出文件的采样率由语音转换模型配置（vc_config.audio.output_sample_rate）决定，而不是 TTS 模型本身的输出采样率，这是源码中save_wav的实际行为。
走tts_with_vc_to_file时，语音转换模型固定为自动加载的voice_conversion_models/multilingual/vctk/freevc24；文档没有提供在此调用中更换其他 VC 模型的参数。如果只是想把一段已有音频转成目标音色而不经过 TTS，可以用文档中的独立 APIvoice_conversion_to_file(source_wav=..., target_wav=..., file_path=...)，那是另一条调用路径，不属于本场景。
单说话人模型对文本语言有固定性：示例中的tts_models/de/thorsten/tacotron2-DDC对应德语文本。需要其他语言时，用tts --list_models/TTS().list_models()选择对应语言的单说话人模型再走同样的调用。