TTS模型服务调用与本地部署教程

uv pip install edge-tts

# 查看所有可用音色
edge-tts --list-voices

# 过滤出中文音色（Windows PowerShell 使用 Select-String）
edge-tts --list-voices | Select-String zh-CN

# 或者使用 grep 命令过滤中文音色（Linux/Mac）
edge-tts --list-voices | grep zh-CN

# 基础调用示例
import asyncio
import edge_tts

TEXT = "你好，欢迎使用 edge-tts 文本转语音服务。"
VOICE = "zh-CN-XiaoxiaoNeural"  # 中文女声

async def main():
    communicate = edge_tts.Communicate(TEXT, VOICE)
    await communicate.save("output.mp3")

if __name__ == "__main__":
    asyncio.run(main())

edge-tts --voice zh-CN-YunxiNeural --text "你好，世界" --write-media hello.mp3

async def main():
    # rate 语速（范围约 -50% 到 +200%），volume 音量（范围 -100% 到 +100%）
    communicate = edge_tts.Communicate(
        TEXT, VOICE,
        rate="+20%",     # 语速加快 20%
        volume="+0%",    # 音量保持不变
    )
    await communicate.save("output.mp3")

C:\models\IndexTTS-2.5\
├── config.yaml
├── gpt.pth                        # 自回归解码器权重
├── codec.pth                      # 语义编解码器权重
├── s2mel.pth                      # 声学模型权重
├── feat1.pt / feat2.pt            # 说话人 / 情感特征矩阵
├── wav2vec2bert_stats.pt          # 语音特征统计信息
├── multilingual_zh_ja_yue_char_del.tiktoken
├── qwen0.6bemo4-merge/            # 文本情感标签模型（可选）
└── hf_cache/                          # 首次推理自动下载的辅助模型
    ├── w2v-bert-2.0/                  # 语音特征提取器（约 4.4 GB）
    ├── semantic_codec_model.safetensors  # 语义编解码器
    ├── campplus_cn_common.bin         # 说话人编码器
    └── bigvgan/                       # 声码器

# 创建并激活本教程统一使用的 conda 环境
conda create -n a4voice python=3.10 -y
conda activate a4voice

# 安装 lzma 运行库（conda 的 Python 可能缺少 _lzma 模块，避免后续报错）
conda install -c conda-forge liblzma -y

# 安装 uv（Python 包管理工具）
pip install uv

# 方法一：阿里云镜像直链（国内推荐，速度快）
uv pip install \
  "https://mirrors.aliyun.com/pytorch-wheels/cu128/torch-2.8.0%2Bcu128-cp310-cp310-win_amd64.whl" \
  "https://mirrors.aliyun.com/pytorch-wheels/cu128/torchvision-0.23.0%2Bcu128-cp310-cp310-win_amd64.whl" \
  "https://mirrors.aliyun.com/pytorch-wheels/cu128/torchaudio-2.8.0%2Bcu128-cp310-cp310-win_amd64.whl"

# 方法二：PyTorch 官方源（需能访问 download.pytorch.org）
uv pip install torch==2.8.0 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

git clone https://github.com/index-tts/index-tts.git
cd index-tts

# 请确保仍然在 a4voice 环境下
# 普通安装（不推荐 -e 可编辑安装）：项目路径含中文时，
# 可编辑安装生成的 .pth 文件在中文 Windows 上会因编码问题失效，
# 导致 import 失败，请改用普通安装
uv pip install . --index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 使用 ModelScope 下载（推荐国内用户）
modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir C:/models/IndexTTS-2.5

from indextts.infer_v2_5 import IndexTTS2

# 加载本地模型
tts = IndexTTS2(
    cfg_path="C:/models/IndexTTS-2.5/config.yaml",
    model_dir="C:/models/IndexTTS-2.5",
    device="cuda",        # 无 GPU 时改为 cpu
    use_bf16=True,        # BF16 半精度推理，降低显存占用
)

# 参考音频 + 文本 -> 输出克隆语音
tts.infer(
    spk_audio_prompt="reference_voice.wav",  # 参考音频（5~10 秒人声）
    text="你好，欢迎使用 IndexTTS 文本转语音。",
    lang="ZH",             # 语言：ZH 中文 / EN 英文 / JA 日语 / ES 西班牙语 / AR 阿拉伯语
    output_path="output.wav",                # 输出音频文件
)

a4voice/
├── config.py                  # 服务配置（端口、音色、模型路径）
├── main.py                    # FastAPI 后端，暴露 OpenAI 兼容接口
├── requirements.txt           # 依赖管理
├── index-tts/                 # 附带的 index-tts 源码（用于 IndexTTS 引擎）
├── services/
│   ├── __init__.py
│   ├── edge_tts_service.py    # 在线引擎：调用 edge-tts 服务
│   └── index_tts_service.py   # 本地引擎：调用 IndexTTS-2.5 模型
├── static/
│   └── index.html             # 前端页面
└── reference/                 # IndexTTS 音色克隆参考音频目录

# config.py（核心片段，完整代码请查看 a4voice/config.py）
PORT = 8000

# 在线 TTS（edge-tts）配置
EDGE_TTS_DEFAULT_VOICE = "zh-CN-XiaoxiaoNeural"

# 本地 TTS（IndexTTS-2.5）配置
INDEX_TTS_MODEL_DIR = "C:/models/IndexTTS-2.5"
INDEX_TTS_CFG_PATH = "C:/models/IndexTTS-2.5/config.yaml"
INDEX_TTS_DEVICE = "cuda"          # 推理设备：cuda / cpu
INDEX_TTS_USE_BF16 = True          # BF16 半精度推理

# 注册的克隆音色：音色名 -> 参考音频路径
INDEX_TTS_VOICES = {
    "default": "reference/ref.wav",
}

# services/edge_tts_service.py（核心片段，完整代码请查看 a4voice/services/edge_tts_service.py）
import edge_tts

async def synthesize(text, voice=None, speed=1.0):
    """将文本合成为 MP3 音频，返回 (音频字节流, 音频格式)"""
    voice = voice or EDGE_TTS_DEFAULT_VOICE
    rate = speed_to_rate(speed)      # 将 1.0 映射为 +0%，1.2 映射为 +20%

    communicate = edge_tts.Communicate(text, voice, rate=rate)
    buffer = io.BytesIO()
    async for chunk in communicate.stream():
        if chunk["type"] == "audio":
            buffer.write(chunk["data"])
    return buffer, "mp3"

# services/index_tts_service.py（核心片段，完整代码请查看 a4voice/services/index_tts_service.py）
from indextts.infer_v2_5 import IndexTTS2

def synthesize(text, voice="default"):
    """将文本合成为 WAV 音频，返回输出文件路径"""
    ref_audio = INDEX_TTS_VOICES[voice]          # 参考音频，定义克隆音色
    output_path = os.path.join(OUTPUT_DIR, f"{uuid.uuid4().hex}.wav")

    tts = _get_tts()                             # 懒加载模型
    with _infer_lock:                            # 串行化推理
        tts.infer(                               # 参考音频 + 文本 -> 克隆语音
            spk_audio_prompt=ref_audio,
            text=text,
            lang="ZH",                           # 中文合成
            output_path=output_path,
        )
    return output_path

# main.py（核心片段，完整代码请查看 a4voice/main.py）
class SpeechRequest(BaseModel):
    model: str = "edge-tts"       # 引擎：edge-tts（在线）/ index-tts（本地）
    input: str                    # 待合成的文本
    voice: str | None = None      # 音色
    speed: float = 1.0            # 语速，范围 0.25~4.0
    response_format: str = "mp3"  # 输出格式

@app.post("/v1/audio/speech")
async def text_to_speech(req: SpeechRequest):
    """OpenAI 兼容的文本转语音接口"""
    if req.model == "edge-tts":
        audio, fmt = await edge_tts_service.synthesize(req.input, req.voice, req.speed)
        return Response(content=audio.read(), media_type="audio/mpeg")
    if req.model == "index-tts":
        output_path = index_tts_service.synthesize(req.input, req.voice or "default")
        return FileResponse(output_path, media_type="audio/wav")
    raise HTTPException(status_code=400, detail=f"不支持的模型: {req.model}")

conda activate a4voice

conda create -n a4voice python=3.10
conda activate a4voice

cd a4voice

# 安装核心依赖（fastapi、uvicorn、edge-tts），国内可加清华镜像加速
uv pip install -r requirements.txt --index-url https://pypi.tuna.tsinghua.edu.cn/simple

cd a4voice/index-tts
uv pip install . --index-url https://pypi.tuna.tsinghua.edu.cn/simple

python main.py

curl -X POST http://localhost:8000/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "edge-tts", "input": "你好，世界", "voice": "zh-CN-XiaoxiaoNeural", "speed": 1.0}' \
  --output test.mp3

# 使用 openai SDK 调用本地 a4voice 服务
from openai import OpenAI

client = OpenAI(
    base_url="http://127.0.0.1:8000/v1",  # 本地服务地址
    api_key="not-needed",                 # 本地服务不校验 Key
)

resp = client.audio.speech.create(
    model="edge-tts",
    input="你好，欢迎使用 a4voice 文本转语音服务。",
    voice="zh-CN-XiaoxiaoNeural",
)
resp.stream_to_file("test.mp3")