像这种充满语气充满感情色彩的人声，再搭配一段自拍图，是由最近大火的AI项目chatTTS生成的，ChatTTS是专门为对话场景设计的文本转语音模型，例如LLM助手对话任务。它支持英文和中文两种语言。最大的模型使用了10万小时以上的中英文数据进行训练。在HuggingFace中开源的版本为4万小时训练且为SFT的版本.
chatTTS整合包链接：https://pan.quark.cn/s/8ab3fe306277
语音对照库让选择不再是难题，10000种音色，对应了10000个音色种子，相当于SD中seed。内置了多种语音风格，从甜美的萝莉音到成熟的御姐音，每一种都能满足你的个性化需求下载：https://pan.quark.cn/s/3062c1bf0ee7
可领取本地一键整合包
对话式 TTS: ChatTTS针对对话式任务进行了优化，实现了自然流畅的语音合成，同时支持多说话人。
细粒度控制: 该模型能够预测和控制细粒度的韵律特征，包括笑声、停顿和插入词等。
更好的韵律: ChatTTS在韵律方面超越了大部分开源TTS模型。同时提供预训练模型，支持进一步的研究
废话少说怎么来用呢？
先说下显卡限制：对于30s的音频, 至少需要4G的显存.也就是说只要你是一个AI绘画玩家，你基本就完全可用，那么https://pan.quark.cn/s/7596b606e69b可领取本地一键整合包
语法支持
音频生成速度：使用4090技术，大约每秒钟可以生成7个字的音频。
响应时间：音频生成的实时因子（RTF）大约是0.3秒。
模型支持：目前，开源版本的语气词仅支持三种基本类型。
模型稳定性：自回归模型普遍存在的问题是稳定性不足。可能会出现声音突然变成其他人的声音，或者音质变得非常差。这种情况通常难以完全避免，但可以通过多次尝试来寻找更好的音频效果。
情感控制：目前发布的模型版本中，可以控制的只有笑声（[laugh]）以及一些声音中断（[uv_break], [lbreak]）作为字级别的控制单元。我们计划在未来的版本中开源更多情感控制的功能。
填入文本，我测试发现含有语气词，停顿，能够更好的表达语音感情，如果是长文本则需要测试其停顿性效果，比如加入了[uv_break],或者[lbreak]我觉得非常不错
选择音色
立即合成即可
-
ChatTTS是什么？
ChatTTS是一个开源的文本到语音（Text-to-Speech, TTS）模型，特别为对话场景设计。它适用于大语言模型（Large Language Models, LLMs）助手的对话任务，以及对话式音频和视频介绍等应用。ChatTTS支持中文和英文，并且能够实现自然流畅的语音合成，同时支持多说话人。它通过使用大约100,000小时的中文和英文数据进行训练，实现了高质量和自然度的语音合成。
-
ChatTTS的功能特色
- 对话式TTS：针对对话式任务进行了优化，实现了自然流畅的语音合成效果，并支持多说话人模式。
- 细粒度控制：能够预测和控制细粒度的韵律特征，包括笑声、停顿和插入词等。
- 更好的韵律：在韵律方面超越了大部分开源TTS模型，同时提供预训练模型，支持进一步的研究。
- 多语言支持：支持中文和英文，满足不同语言用户的需求。
- 大规模数据训练：使用了大量数据进行训练，确保了声音合成的质量高，听起来自然。
- 对话任务兼容性：适合处理通常分配给大型语言模型LLMs的对话任务，提供更自然流畅的互动体验。
- 开源计划：项目团队计划开源一个经过训练的基础模型，促进学术研究和社区发展。
- 控制和安全性：致力于提高模型的可控性，添加水印，并将其与LLMs集成，确保模型的安全性和可靠性。
- 易用性：为用户提供了易于使用的体验，只需要文本信息作为输入，就可以生成相应的语音文件。
-
如何运行？
本地启动app.exe即可
-
应用场景
- 大型语言模型助手的对话任务：为LLM助手提供自然流畅的语音响应。
- 生成对话语音：适用于需要生成自然对话声音的场景，如虚拟助手、客服系统等。
- 视频介绍：为视频内容提供语音介绍，增强视频的吸引力和互动性。
- 教育和培训内容语音合成：为在线教育和培训材料提供语音，提高学习体验。
- 任何需要文本到语音功能的应用或服务：适用于需要将文本转换为语音的各种应用或服务。
综上所述，ChatTTS是一个功能强大的文本到语音模型，适用于多种场景，能够提供高质量的语音输出，支持多语言，并且易于集成到各种应用中。