环境
ubuntu 18.04 64bit
Nvidia GTX 1070Ti 8G
简介
Tortoise 是一个开源的 Text-To-Speech 程序，具有强大的文本转语音功能和高度逼真的语音和语调。
搭建
创建一个全新的 python 虚拟环境
conda create -n tts python=3.8
conda activate tts然后，拉取源码，安装依赖
git clone https://github.com/neonbjb/tortoise-tts.git
cd tortoise-tts
pip install -r requirements.txt
python setup.py install测试
将单句文本转换成语音
python tortoise/do_tts.py --text "I'm going to speak this" --voice random --preset fast脚本执行成功后，在文件夹 results 会生成3个音频 wav 文件，声音是随机匹配的
当前系统中所有的可用声音都存放在目录 tortoise/voices 下面，如果中意哪个人的声音，可以在脚本参数中指定， train_ 打头的效果会更好
python tortoise/do_tts.py --text "I'm going to speak this" --voice tom --preset fast如果有很多的文本需要处理，可以将它们放在一个文本文件里，比如
Hello world.
Hello Rust.
Nice to meet you.然后执行脚本
python tortoise/read.py --textfile test.txt --voice random脚本会将文本文件分解成一个个的句子，然后分别将它们转换为语音。待所有的语句都生成后，再将它们组合成一个文件并输出
最后，来看看中文的表现
python tortoise/do_tts.py --text "你好，世界" --voice random --preset fast生成的效果也太差了，看了看 issues，https://github.com/neonbjb/tortoise-tts/issues/5，目前官方还不支持其它语言，需要自己去训练 wav2vec 模型
自定义声音
如果想把特定的声音加入到 tortoise 中，需要如下步骤
搜集特定人的音频片段
将音频整理成大概10秒左右的一个个小片段，至少需要3个片段，越多越好
音频片段使用
wav格式，采样率 22050在目录
tortoise/voices下创建一个新的文件夹，以声音人名命名，方便记忆，比如zhangsan，然后将上面整理好的wav文件拷贝进来最后的使用就是在脚本中参数
--voice指定为zhangsan
模型下载
脚本运行期间，会从 huggingface 站点上下载一堆的模型文件，这里打包了一下，存放在了云盘里，自取
链接：https://pan.baidu.com/s/1EJD4N2yamDNh6X_0GtoaRQ
提取码：3qrq
下载后，解压缩后拷贝到目录 ~/.cache，文件结构如下
