基于 ChatTTS 构建支持情感控制的 TTS 服务

测试与验证

编写 test_tts.py 来验证功能。这里不仅演示单句合成，还展示了如何动态扩展情感参数。

from EmotionalTTS import EmotionalTTS
import soundfile as sf
import simpleaudio as sa

def main():
    print("="*50)
    print("初始化情感 TTS 引擎...")
    # 优先使用 GPU，若无则用 CPU
    tts_engine = EmotionalTTS(device='cuda') 
    # tts_engine = EmotionalTTS(device='cpu') 
    
    print("支持的情感:", tts_engine.get_available_emotions())
    print("="*50)

    test_text = "你好，世界！这是一个测试，看看情感语音合成效果怎么样。"
    
    # 遍历不同情感
    for emo in ['neutral', 'happy', 'sad', 'angry']:
        print(f"\n>>> 正在用「{emo}」情感合成...")
        # 悲伤时适当放慢语速
        speed = 0.9 if emo == 'sad' else 1.0
        audio_data, sr = tts_engine.synthesize(
            text=test_text, 
            emotion=emo, 
            speed=speed,
            save_path=f"./output/demo_{emo}.wav"
        )
        
        try:
            play_obj = sa.play_buffer(audio_data, 1, 2, sr)
            play_obj.wait_done()
        except Exception:
            print(f"音频已保存，如需播放请查看文件：demo_{emo}.wav")

    # 批量合成示例
    print("\n" + "="*50)
    print("开始批量合成示例...")
    batch_texts = [
        "早上好，今天天气真不错。",
        "我对此感到非常失望。",
        "太棒了！我们终于成功了！",
        "请立即离开这个地方。"
    ]
    batch_emotions = ['friendly', 'sad', 'happy', 'angry']
    saved_files = tts_engine.batch_synthesize(
        texts=batch_texts, 
        emotions=batch_emotions, 
        save_dir="./output/batch"
    )
    print(f"批量合成完成，共生成 {len(saved_files)} 个文件。")

if __name__ == "__main__":
    import os
    os.makedirs("./output", exist_ok=True)
    os.makedirs("./output/batch", exist_ok=True)
    main()
    print("\n所有测试完成！请检查 './output' 目录下的音频文件。")

部署为 API 服务

为了让其他程序调用，我们将封装好的逻辑暴露为 RESTful API。使用 Flask 是最轻量级的方案。

创建 api_service.py：

from flask import Flask, request, jsonify, send_file
from EmotionalTTS import EmotionalTTS
import io
import soundfile as sf
import numpy as np
import uuid
import os

app = Flask(__name__)
tts_engine = None

def init_engine():
    global tts_engine
    print("正在加载 TTS 模型...")
    # 服务端通常建议使用 CPU 以避免多进程冲突，除非配置了专用推理机
    tts_engine = EmotionalTTS(device='cpu')
    print("模型加载完毕，API 服务就绪。")

init_engine()

@app.route('/synthesize', methods=['POST'])
def synthesize():
    """API 端点：文本转语音"""
    data = request.json
    text = data.get('text', '')
    emotion = data.get('emotion', 'neutral')
    speed = float(data.get('speed', 1.0))

    if not text:
        return jsonify({'error': '文本内容不能为空'}), 400

    try:
        audio_data, sr = tts_engine.synthesize(
            text=text, 
            emotion=emotion, 
            speed=speed
        )
        
        # 将音频数据转为字节流返回
        audio_bytes = io.BytesIO()
        sf.write(audio_bytes, audio_data, samplerate=sr, format='WAV')
        audio_bytes.seek(0)
        
        return send_file(
            audio_bytes, 
            mimetype='audio/wav', 
            as_attachment=True, 
            download_name=f'speech_{emotion}.wav'
        )
    except Exception as e:
        return jsonify({'error': f'合成失败：{str(e)}'}), 500

@app.route('/emotions', methods=['GET'])
def list_emotions():
    return jsonify({'emotions': tts_engine.get_available_emotions()})

if __name__ == '__main__':
    os.makedirs('./audio_cache', exist_ok=True)
    # 生产环境请使用 waitress 或 gunicorn，不要开启 debug 模式
    app.run(host='0.0.0.0', port=5000, debug=False, use_reloader=False)

启动服务后，可以使用 CURL 进行测试：

curl -X POST http://127.0.0.1:5000/synthesize \
  -H "Content-Type: application/json" \
  -d '{"text": "你好，欢迎使用情感 TTS API 服务", "emotion": "friendly", "speed": 1.1}' \
  --output output_api.wav

扩展与优化建议

在实际落地过程中，你可能会遇到性能或效果上的瓶颈，以下是一些经验总结：

1. 情感调优：emotion_params_map 中的 temperature 值范围通常在 0.1-1.5。值越高声音表现力越强但可能不稳定，值越低越稳定但平淡。你可以根据具体场景微调。
2. 控制符增强：在输入文本中插入 ChatTTS 特定的控制符，如 [uv_break]（短停顿）、[laugh]（笑声），能让合成效果更生动自然。
3. 性能优化：
   • 首次推理较慢，后续会缓存。高并发场景下建议增加模型预热机制。
   • 内存占用较大（约 2-3GB GPU 显存），可尝试使用 torch.compile 或模型量化进行优化。
   • 生产环境务必添加异常处理和输入验证，防止恶意请求导致服务崩溃。
4. 项目结构：

   MyEmotionalTTS/
   ├── EmotionalTTS.py      # 核心封装类
   ├── init_model.py        # 初始化脚本
   ├── api_service.py       # Flask API 服务
   ├── requirements.txt     # 依赖列表
   ├── output/              # 生成音频目录
   └── README.md            # 项目说明
   

这个方案提供了从安装、封装、测试到部署的完整链路。代码逻辑清晰，注释详细，你可以直接复制运行并根据业务需求进行扩展。