MeloTTS 多语言文本转语音：从安装到 Python 集成的完整上手指南
【免费下载链接】MeloTTSHigh-quality multi-lingual text-to-speech library by MyShell.ai. Support English, Spanish, French, Chinese, Japanese and Korean.项目地址: https://gitcode.com/GitHub_Trending/me/MeloTTS
往 MeloTTS 里丢一句「你好，世界」，几秒后你拿到的就是一个 .wav 文件——而它不止会说中文。这款多语言文本转语音（多语言 TTS）开源库由 MyShell.ai 开源，一个模型就能覆盖英语、中文、西班牙语、法语、日语、韩语六种语言，英语还附带美式、英式、印度、澳洲等多种口音。CPU 就能实时跑，GPU 则让批量合成更快。
先想象一个场景：你的视频需要六国解说
你剪好了一支教程视频，接下来要配三种语言的旁白；或者你在做一个应用，想给用户「收听」功能，还得同时照顾海外用户。逐个找配音、逐个调 API，成本高还慢。MeloTTS 的思路是把这六件事合并成一件事：装一次库，语言、口音、语速全是你一个参数的事。
快速开始：三条命令出第一段语音
先看最短路径，先跑起来再说细节：
git clone https://gitcode.com/GitHub_Trending/me/MeloTTS cd MeloTTS && pip install -e . melo "Hello, this is my first audio" output.wav装完打开output.wav，你应该已经听到声音了。安装脚本会自动顺带下载日语分词资源（unidic），如果网络中断没拉下来，手动补一句python -m unidic download即可。
接下来是选部署方式。
部署二选一：原生安装还是 Docker 部署
两条路都能到，差别在于你的系统和你愿意折腾的程度：
| 对比项 | 原生安装 | Docker 容器化 |
|---|---|---|
| 适合谁 | Linux（Ubuntu 20.04 实测）、macOS | Windows 用户，或 macOS 安装不顺的人 |
| 前置条件 | Python 3.9+，一个干净的 pip 环境 | 已装好 Docker |
| 耗时 | 几分钟 | 构建镜像可能要多等几分钟 |
| 跑起来 | melo或melo-ui命令 | docker run -p 8888:8888 |
| GPU | 依赖本地 CUDA 环境 | --gpus all一行透传 |
走原生安装：就是快速开始那两句pip install -e .。硬件上，一块普通 CPU 就足够实时推理，有 NVIDIA GPU 只是锦上添花。macOS 上如果依赖装不干净，别硬扛，直接转投 Docker。
走 Docker 部署：在项目根目录构建并运行：
docker build -t melotts . docker run -it -p 8888:8888 melotts本地有 GPU 的话，加个参数即可加速：
docker run --gpus all -it -p 8888:8888 melotts然后浏览器打开http://localhost:8888，Web 界面就在了。
三种调用姿势：哪种离你最近
MeloTTS 给了你三个入口，按「你是谁」来选，而不是按功能清单来选。
🖱 想点鼠标就出活 → Web 界面
装好后一条命令起服务：
melo-ui # 或者 python melo/app.py语言、声音、文本都在页面上选，适合完全不熟命令行的朋友，也适合边听边调参试发音人。
⌨️ 想批量、想进脚本 → 命令行（CLI）
最小可用的一条：
melo "Text to read" output.wav常用旋钮就四个：
melo "Text to read" output.wav --language EN --speaker EN-US # 指定语言和发音人 melo "Text to read" output.wav --speed 1.5 # 1.5 倍语速 melo file.txt out.wav --file # 从文本文件读 melo --help # 完整参数文档中文记得带-l ZH，比如melo "文本转语音正在快速发展" zh.wav -l ZH。melotts和melo两个命令名都能用。
🧩 想嵌进自己的项目 → Python API
这是最有扩展性的姿势，核心就四行：
from melo.api import TTS model = TTS(language='EN', device='auto') speaker_ids = model.hps.data.spk2id model.tts_to_file("Hello world", speaker_ids['EN-US'], 'output.wav', speed=1.0)device='auto'会自动挑 GPU（CUDA 或 MPS），没有就落回 CPU。想换语言？把language换成'ZH'、'JP'、'KR'、'ES'、'FR'，再从对应的speaker_ids里取发音人即可。实现细节在 melo/api.py 里，每个语言都有对应示例。
支持语言与发音人一览
别记散落的参数，看这张表就够了：
| 语言 | 语言代码 | 可用发音人 |
|---|---|---|
| 英语 | EN | EN-Default（默认）、EN-US（美音）、EN-BR（英音）、EN_INDIA（印度口音）、EN-AU（澳洲口音） |
| 中文 | ZH | ZH，模型自带中英混读能力 |
| 西班牙语 | ES | ES |
| 法语 | FR | FR |
| 日语 | JP | JP |
| 韩语 | KR | KR |
英语一个语言码能切出五种口音，是做多地区本地化时最好用的点。
调优与提速：三个避坑提醒
- 硬件别焦虑：CPU 就能满足实时合成，不用为「跑不动」提前买卡；真要做大批量离线渲染，再上支持 CUDA 的 NVIDIA GPU。
- 语速有安全区间：默认 1.0，建议留在 0.5～2.0 之间。拉得太极端，音质会肉眼可见地变差。
- 内存要会放手：长期运行的服务里，定期清理不再用的模型实例；要多语言并发，干脆为每种语言各持一个实例，切换成本最低。
踩坑实录：装不上、读不对、跑不快
装不上：pip 报依赖冲突？这是原生安装最常见的翻车点。别在全局环境里硬试，建一个干净的虚拟环境再来；或者干脆走 Docker，把整个依赖环境装进容器里，冲突直接消失。
读不对：语音发闷、语言读串？先怀疑语速和发音人：换个--speed、换个发音人，同一句文本表现可能差很多，某些语言在特定发音人下确实更自然。另一个高频错误是忘了指定语言——不写-l ZH的中文文本会被当英文处理，读音自然面目全非。
跑不快：想要更低延迟？单句合成在 CPU 上已是实时级别。真要压延迟，可以借助 Python API 的返回能力：tts_to_file在不给output_path时直接返回音频的 numpy 数组，方便你做流式拼接；再往外一层，套个 WebSocket 服务，低延迟推流就齐了。
最后：让文字开口
回到开头：六种语言、五种英语口音、Web / CLI / Python 三种入口，一条pip install起步——这就是 MeloTTS 能替你做的事。更多细节可以去仓库文档里翻：docs/install.md 讲安装，docs/quick_use.md 讲快速使用，核心代码集中在 melo/ 目录下。装好它，你打字的下一秒，声音就有了。
【免费下载链接】MeloTTSHigh-quality multi-lingual text-to-speech library by MyShell.ai. Support English, Spanish, French, Chinese, Japanese and Korean.项目地址: https://gitcode.com/GitHub_Trending/me/MeloTTS
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
