一、模型介绍
OuteTTS-1.0-0.6B 是 OuteAI 于 2025 年 5 月发布的开源语音合成模型,基于 Qwen-2.5-0.5B 架构优化,参数规模 6 亿,专注于轻量级高性能语音合成。
该模型通过创新技术路径实现了多语言支持、声音克隆和低资源消耗的平衡,在边缘计算、移动应用等场景展现出独特优势。
技术特性:轻量化与多模态融合
模型采用 LLaMa 架构基础,结合 WavTokenizer 音频标记化技术,将连续音频波形转换为离散令牌序列,每秒处理 150 个令牌。通过 CTC 强制对齐技术,实现文本与音频的精确映射,无需预处理即可生成时间戳对齐的语音流。窗口化重复惩罚机制的引入,显著提升了语音输出的连贯性和自然度,尤其在长文本合成中表现稳定。
多语言支持是其核心亮点之一。模型直接支持英语、中文、阿拉伯语等 20 余种语言的文本输入,无需罗马化处理。训练数据覆盖高资源语言(如英语、中文)和中等资源语言(如葡萄牙语、波斯语),未训练语言也可生成语音但效果有限。
二、模型部署步骤
模型部署环境
ubuntu | 22.04.4 LTS |
---|---|
cuda | 12.4.1 |
python | 3.10 |
NVIDIA Corporation | RTX4090 |
1.更新基础的软件包
查看系统版本信息
bash
#查看系统的版本信息,包括ID(如ubuntu、centos等)、版本号、名称、版本号ID等
cat /etc/os-release

配置国内源
csharp
#更新软件列表
apt-get update

apt配置阿里源
bash
vim /etc/apt/sources.list

将以下内容粘贴进文件中
arduino
deb http://mirrors.aliyun.com/debian/ bullseye main non-free contrib
deb-src http://mirrors.aliyun.com/debian/ bullseye main non-free contrib
deb http://mirrors.aliyun.com/debian-security/ bullseye-security main
deb-src http://mirrors.aliyun.com/debian-security/ bullseye-security main
deb http://mirrors.aliyun.com/debian/ bullseye-updates main non-free contrib
deb-src http://mirrors.aliyun.com/debian/ bullseye-updates main non-free contrib
deb http://mirrors.aliyun.com/debian/ bullseye-backports main non-free contrib
deb-src http://mirrors.aliyun.com/debian/ bullseye-backports main non-free contrib
2.基础Miniconda3环境
查看系统是否有miniconda的环境
conda -V

显示如上输出,即安装了相应环境,若没有miniconda的环境请安装
3.创建虚拟环境
创建名为"Outetts"的虚拟环境
ini
conda create -n OuteTTs python=3.10 -y

激活虚拟环境
conda activate OuteTTs

4.下载模型
输入命令克隆OuteTTS项目
bash
git clone https://github.com/edwko/OuteTTS.git
cd OuteTTS

5.安装pytorch环境
安装pytorch,选择合适的版本安装,建议python版本至少为3.9及以上
perl
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

持续等待直至出现"successfully"开头的提示,则安装成功
6.下载依赖库
erlang
pip install -e .
依赖库下载时间较长,直至出现"successfully"显示下载成功

7.存储模型运行命令
创建demo.py文件
vim demo.py

bash
cat demo.py

运行模型测试命令
python demo.py

三、UI界面
下载其他缺失依赖包
pip install gradio

访问界面
python app.py

出现如上显示可通过项目实例的开放端口进行访问,输入需要生成语音的文本包括中文及英文即可合成
