XTTS实现语音克隆：精确控制音频格式与生成流程【TTS的实战指南】

言简意赅的讲解XTTS解决的痛点

📎 前置操作：如何使用 OBS Studio 录制高质量 WAV 语音（建议先阅读并准备录音样本）

本教程介绍如何使用 Coqui TTS 的 XTTS v2 模型 实现中文语音克隆，支持直接传入 .wav 文件，还原你的音色与语调，生成带有个性化音色的语音合成结果。

✅ 背景说明

与 ChatTTS 不同，XTTS v2 支持通过 speaker_wav 参数传入一个用户语音样本文件，自动提取发音人嵌入，无需手动处理 speaker_vector。

但前提是：音频格式必须标准，否者容易出现：

声音变形、模糊、爆音
模型推理失败（采样率错误 / 多声道）

所以我们准备了两套方案：

方案一：直接合成 ，适合你手头有干净、合规的 .wav
方案二：带音频预处理，推荐使用，可处理 OBS 默认录音格式

🧰 安装依赖（推荐虚拟环境）

将以下内容保存为 requirements.txt：

txt 复制代码

torch==2.7.1
torchaudio==2.7.1
TTS==0.22.0
numpy==1.24.3
scipy==1.11.4
soundfile==0.13.1

安装命令：

bash 复制代码

pip install -r requirements.txt

🚀 方案一：快速语音克隆（需标准音频）

python 复制代码

import torch
from torch.serialization import add_safe_globals

# 添加所有需要信任的类
from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import XttsAudioConfig, XttsArgs
from TTS.config.shared_configs import BaseDatasetConfig

# 注册这些类为"安全可加载"的类
add_safe_globals([XttsConfig, XttsAudioConfig, BaseDatasetConfig, XttsArgs])

from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"

# 加载模型
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="如果帮助到了您，请一键三连。关注博客，文浩（楠搏万）,感谢您的支持。",
    file_path="克隆output.wav",
    speaker_wav="xxx.wav",  # 替换为你录的语音路径
    language="zh",
    emotion='happy',
    split_sentences=True
)

print("✅ 合成完成！语音文件已保存为 克隆output.wav")

🎧 试听下载 ：克隆output.wav（← 请替换为实际试听链接）

🧼 方案二：推荐做法（自动处理音频格式）

OBS 默认输出通常是 44.1kHz / 双声道，XTTS 模型不兼容。以下脚本会自动处理格式问题：

python 复制代码

import torch
from torch.serialization import add_safe_globals

# 先注册这些类为可信任的全局对象
from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import XttsAudioConfig, XttsArgs
from TTS.config.shared_configs import BaseDatasetConfig

add_safe_globals([XttsConfig, XttsAudioConfig, BaseDatasetConfig, XttsArgs])

# 再导入 TTS
from TTS.api import TTS
import torchaudio

# 设置设备
device = "cuda" if torch.cuda.is_available() else "cpu"

# 加载模型
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

# 预处理你的 speaker 音频
def preprocess_wav(path, out_path="clean.wav"):
    signal, sr = torchaudio.load(path)
    if signal.shape[0] > 1:
        signal = signal.mean(dim=0, keepdim=True)
    if sr != 16000:
        resample = torchaudio.transforms.Resample(orig_freq=sr, new_freq=16000)
        signal = resample(signal)
    torchaudio.save(out_path, signal, 16000)
    return out_path

speaker_wav = preprocess_wav("xxx.wav") # 替换为你录的语音路径

# 合成文本
my_text = "如果帮助到了您，请一键三连。关注博客，文浩（楠搏万）,感谢您的支持。"

# 合成并保存
tts.tts_to_file(
    text=my_text,
    speaker_wav=speaker_wav,
    file_path="克隆过滤版output.wav",
    language="zh",
    split_sentences=True,
    emotion='happy',
    speed=1.2
)

print("✅ 合成完成，输出为 克隆过滤版output.wav")

🎧 试听下载 ：克隆过滤版output.wav（← 请替换为实际试听链接）

🎛️ 可调参数说明（重点推荐）

参数名	功能描述	示例
`emotion`	控制语气，如 `'happy'`	`'happy'`
`speed`	控制语速，1.0为默认	`1.2`
`split_sentences`	自动分句朗读	`True`
`language`	设置合成语言（中文为 `"zh"`）	`"zh"`

🔁 音频来源建议

使用 OBS Studio 录音时：
- 格式设为 .wav
- 采样率设置为 48kHz（后续会统一成16kHz）
- 声道选单声道或立体声（脚本可自动降维）
录音内容控制在 5～15 秒
自然语气朗读，普通话标准即可

通过上述内容，你就已经基本理解了这个方法，基础用法我也都有展示。如果你能融会贯通，我相信你会很强

Best

Wenhao (楠博万)