ChatTTS-ui 本地语音合成实测：从部署到调通 TTS API 的完整记录-平芜编程栈

ChatTTS-ui 本地语音合成实测：从部署到调通 TTS API 的完整记录

【免费下载链接】ChatTTS-ui一个简单的本地网页界面，使用ChatTTS将文字合成为语音，同时支持对外提供API接口。A simple native web interface that uses ChatTTS to synthesize text into speech, along with support for external API interfaces.项目地址: https://gitcode.com/GitHub_Trending/ch/ChatTTS-ui

ChatTTS-ui 是一个把 ChatTTS 语音合成封装成本地网页 + API 服务的项目：输入文字，输出 wav 音频，全程在自己机器上完成。部署门槛不高，Docker 或 Python 环境一条命令即可启动，首次运行会联网下载模型，之后可离线使用。

项目定位

它本质上是一个 ChatTTS 的封装层，补足的是"调用 ChatTTS 太麻烦"这件事：不用写 Python 推理代码，不用手动管理音色文件，浏览器打开就能合成，外部程序也能通过 HTTP 接口调用。它适合三类人：想要本地配音而不愿依赖在线接口的内容创作者、需要批量文本转语音的小工具作者，以及想给自己的软件接 TTS 能力的开发者。

快速跑起来：Docker 一条命令

最省事的路径是 Docker，以 CPU 版为例：

git clone https://gitcode.com/GitHub_Trending/ch/ChatTTS-ui cd ChatTTS-ui && docker compose -f docker-compose.cpu.yaml up -d

容器启动后访问http://127.0.0.1:9966即可。GPU 版把文件名换成docker-compose.gpu.yaml，需要 NVIDIA 显卡加 CUDA 12.8。

其余方式压缩成三行：Windows 用户可从 Releases 下载预编译包，解压后双击app.exe；Mac/Linux 源码部署用 Python 3.9–3.11（不支持 3.12+），依次执行pip3 install -r requirements.txt和python3 app.py；启动时自动打开浏览器。完整步骤见 README.md。

能力拆解：仓库里实际给了什么

网页界面 + REST 接口，一套服务两个入口。app.py 用 Flask 同时提供首页和/tts接口，网页填什么参数，接口就收什么参数，默认值完全一致（voice 默认 2222、temperature 0.3、top_p 0.7、top_k 20）。效果：浏览器点"合成"或脚本 POST 请求，走的是同一条推理链路。

中文数字、日期、电话号码的自动读法转换。uilib/zh_normalization/ 内置中文文本规范化，能把"12块5""0421-33441122"这类内容转成口播读法；英文数字则尝试用 nemo_text_processing 处理，失败时回退到自带实现。效果：直接粘贴带数字、标点的原始文案也能正常读。

音色可固定、可复用。传一个整数音色值（如 2222）会据此生成随机音色并自动存为 csv 到 speaker/ 目录；之后把 csv 或 pt 文件放进 speaker/ 文件夹，就能当固定音色选。效果：满意的音色调出来一次，后续所有合成直接点名调用。

设备自动选择。启动时根据显卡显存判断：显存大于 4G 走 CUDA，不足 4G 强制 CPU，Mac 走 MPS，也可以在 .env 里手动指定device。效果：普通笔记本开箱即用，不折腾。

一个完整使用场景：把一段文案变成 wav

以源码部署为例，端到端走一遍：

启动后浏览器停在http://127.0.0.1:9966，页面只有几项：文本框、音色选择、音色值、Prompt、语速、temperature、top_p 等；
文本框按行输入，比如第一行"大家好，我是你们的配音助手"，选音色 2222，语速保持默认 5；
点合成，页面开始加载，音频生成后浏览器直接可试听；
文件落在static/wavs/目录，文件名自带耗时、音色、参数信息，方便回溯是哪次生成的。

如果走接口，产物一样：POST 成功后返回 json，audio_files里同时给本地绝对路径和可下载 url，取哪个都行。

进阶：接口怎么调、.env 改什么

调用/tts接口。只传text就能跑，其余参数全部有默认值：

res = requests.post('http://127.0.0.1:9966/tts', data={"text": "要合成的内容", "voice": "2222"}) print(res.json()["audio_files"][0]["url"])

改服务地址。编辑 .env 里WEB_ADDRESS=127.0.0.1:9966，换成局域网 IP 后其他设备也能访问网页和接口。

控制停顿与语气。prompt参数支持[break_6]（停顿）、[laugh_0]（笑）等控制符，适合给文案加节奏感；文本里直接写控制符效果不好时，勾选"跳过 refine text"（接口即skip_refine=1）。

限制与常见坑

模型下载卡住：默认从 modelscope 下载，期间不能挂代理，否则报 proxy 类错误；国内网络直连通常无问题。报错对照见 faq.md。
GPU 不生效：显存低于 4G 会被强制回退 CPU；N 卡需要 CUDA 12.8+ 且装的是对应 CUDA 版 torch，装错就重装。
相同音色值 ≠ 相同声音：不同机器用同一 seed 音色不同，同一机器多次生成音调也可能漂移。想要稳定音色，务必把生成过的 csv/pt 存进 speaker/ 目录复用。
长文本处理：超过约 200 字符的段落会按标点自动分段合成再拼接，分段边界处节奏可能略生硬，关键文案建议自己按行分行。