ChatTTS WebUI 使用指南：轻松制作拟真语音

你会看到：

• 页面顶部出现黄色提示：'正在生成语音…'
• 右侧日志框滚动显示过程信息（如 加载模型完成、文本分词完成）
• 约 3–8 秒后（取决于 GPU 性能），日志末尾出现： 生成完毕！当前种子：20240815
• 同时，下方自动出现一个可播放的音频控件（HTML5 <audio> 标签）

3.3 播放并观察细节

点击 ▶ 播放按钮，认真听三遍：

• 第一遍：整体感受——是不是比你用过的其他 TTS 更'顺'？
• 第二遍：重点听'哈哈哈'——是短促的爆笑，还是带拖音的憨笑？有没有气息起伏？
• 第三遍：听'～'结尾处——语调是否微微上扬、略带俏皮？停顿是否自然？

你会发现：它没读成'哈—哈—哈'，而是像真人一样，笑到一半还喘了口气；'项目提前上线了～'的'～'，让整句话尾巴轻快翘起，毫无电子味。

这就是 ChatTTS 的魔法——它不翻译文字，它在'理解'文字背后的情绪。

4. 掌握音色：从随机抽卡到锁定专属声优

ChatTTS 没有预设'张三音色''李四音色'的列表。它的音色由一个叫 Seed（种子）的数字决定——就像抽卡游戏，同一个 Seed，永远生成同一张脸；不同 Seed，就是完全不同的人。

4.1 🎲 随机抽卡：寻找你的'天选之音'

• 点击 🎲 随机抽卡 模式
• 每次点击'生成'，系统自动生成新 Seed（如 11451、9527、886）
• 你会听到完全不同的声线：可能是沉稳男声、清亮女声、少年音、播音腔、甚至带点港普味道的亲切声线

实用技巧：连续生成 5–10 次，把喜欢的几个 Seed 记下来（比如截图或写在便签上）。不用追求'最好听'，找'最符合你内容气质'的——产品介绍配沉稳声，儿童故事配活泼声，短视频口播配有网感的声。

4.2 固定种子：让 TA 成为你的专属配音员

当你听到一个特别合心意的声音，立刻做两件事：

1. 看日志框最后一行：找到 生成完毕！当前种子：XXXXX 中的数字（如 11451）；
2. 切换到 固定种子 模式，在下方输入框中填入这个数字；
3. 再次输入相同或新文本，点击生成——声音将 100% 复刻刚才那位'声优'。

这意味着：

• 你可以为公司产品线固定一个统一音色（比如所有宣传语音都用 Seed 5201314）；
• 你可以为不同角色分配不同 Seed（主角用 1001，反派用 9999）；
• 你可以批量生成多条语音，保证声线绝对一致——这对制作系列课程、有声书至关重要。

注意：Seed 是纯数字，不要加引号、空格或字母。输错一位，声音就会天差地别。

5. 调控语速与表达：让语音更贴合场景

语速不是越快越好，也不是越慢越稳。ChatTTS 的语速滑块，本质是调节'信息密度'与'情绪张力'的平衡。

5.1 实战对比：同一段话，三种语速

用下面这段测试文本，分别用语速 3、5、8 各生成一次，对比听感：

注意！这个功能隐藏很深—— 长按图标 3 秒，菜单才会弹出！ 快去试试吧～ 

• 语速 3：每个字都像被郑重托出，'注意！''3 秒！''试试吧～'都有充分留白，适合强调操作步骤；
• 语速 5：流畅自然，停顿恰到好处，'隐藏很深'略带神秘感，'快去试试'轻快收尾；
• 语速 8：'注意！'短促有力，'3 秒！'几乎连读，结尾'～'的俏皮感被速度冲淡，更适合快节奏短视频。

关键结论：语速不是技术参数，而是叙事工具。选哪个值，取决于你想传递什么情绪。

6. 进阶技巧：让语音更'像人'的 5 个细节

ChatTTS 的拟真感，藏在你容易忽略的微小设计里。掌握这些，你就能从'能用'升级到'用得妙'。

6.1 笑声不是'加特效'，是'写出来'

• 正确做法：在文本中直接写出发声词 '这个方案太棒了！哈哈哈～' → 生成真实笑声 '他居然说'我错了'…呵呵。' → 生成略带无奈的轻笑
• ❌ 错误做法：用括号标注 （笑） 或 【笑声】 → 模型无法识别，直接忽略

进阶玩法：尝试 嘿嘿（狡黠）、呃…（思考）、啊？（惊讶）、嗯…（犹豫）——这些口语词会触发对应语气。

6.2 换行 = 换气，空行 = 场景切换

• 单换行（Enter）：生成轻微停顿，模拟说话中的自然气口；

双换行（空行）：生成明显停顿（约 0.8 秒），适合分隔不同话题或制造悬念。例如：

你知道吗？ 
这个秘密，我只告诉了你。 

第二句会以更低沉、更私密的语调开始，仿佛凑近耳边低语。

6.3 中英混输，注意空格是'语种开关'

• 微信 WeChat 很常用 → 可能读成'微 - 信-We-Chat-很 - 常 - 用'（中英音节强行拼接）
• 微信 WeChat 很常用 → '微信'用中文语调，'WeChat'自动切英文重音，'很常用'回归中文 原则：中英文之间务必加空格

6.4 长文本分段生成，效果远胜'一口闷'

ChatTTS 对单次输入长度敏感。超过 300 字，可能出现：

• 后半段语调趋平（模型注意力衰减）；
• 笑声/换气分布不均（长句挤压气口空间）；
• 中英切换偶尔错乱。

最佳实践：

• 将长文按语义分段（每段≤150 字）；
• 每段单独生成，再用音频剪辑软件（如 Audacity）拼接；
• 段间留 0.3 秒静音，模拟真人换气间隙。

6.5 保存与导出：不止是 MP3

点击生成后的音频控件，右键 → '另存为'，即可保存为标准 .wav 文件（无损音质，推荐存档）； 若需 .mp3，可用任意在线转换工具（如 CloudConvert），或本地软件转码。 注意：WebUI 不提供批量导出，但每次生成都会在浏览器缓存中保留最新音频，关闭页面前务必保存。

7. 常见问题解答（来自真实踩坑经验）

Q1：生成的语音听起来有点'闷'，不够响亮？

A：这不是音量问题，而是语调偏平。请检查：

• 是否用了过多句号（。）？改用逗号（，）或波浪线（～）增加起伏；
• 尝试将语速从 5 提至 6，轻微加速能激活更多语气变化；
• 输入中加入 ！ 或 ？，强制提升语调峰值。

Q2：为什么'哈哈哈'没笑，或者笑得很假？

A：概率性现象，因 Seed 而异。解决方法：

• 换一个 Seed 重新生成（随机抽卡几次）；
• 改用 哈哈哈哈（4 个'哈'）或 哈…哈…（带省略号），增强触发信号；
• 确保'哈哈哈'前后有空格，不紧贴其他文字。

Q3：生成失败，日志显示'CUDA out of memory'？

A：显存不足。请：

• 关闭其他占用 GPU 的应用（如浏览器多标签、其他 AI 工具）；
• 缩短输入文本（<100 字）；
• 若平台支持，重启镜像释放显存。

Q4：生成的语音有杂音或电流声？

A：极少数情况，因浏览器音频解码异常。解决：

• 刷新页面，重新生成；
• 换用 Chrome 或 Edge 浏览器（Firefox 对 Web Audio 支持稍弱）；
• 播放时勿同时开启其他音频应用。

Q5：能生成方言或特定口音吗？

A：目前官方版本专注标准普通话 + 自然语调。方言需微调模型，不在 WebUI 当前能力范围内。但可通过 Seed + 语速 + 文本措辞，模拟接近效果（如用'嘞''嘛''噻'等方言助词，配合慢语速，营造地域感）。

8. 总结：你已经掌握了'拟真语音'的钥匙

回顾一下，今天我们完成了：

• 打开即用：不用装、不用配，浏览器里三步启动；
• 首条语音：输入带情绪的文本，30 秒内听到第一条真人级语音；
• 音色掌控：从随机抽卡找到心动声线，再用 Seed 锁定专属配音员；
• 语速叙事：明白 5 不是中立值，而是最富表现力的基准线；
• 细节魔法：用空格切语种、用换行控节奏、用'哈哈哈'唤笑声——把文字变成有温度的声音。

ChatTTS 的强大，不在于它有多复杂，而在于它把复杂留给了模型，把简单留给了你。

你现在拥有的，不是一个语音合成工具，而是一个随时待命的、永不疲倦的、风格百变的'声音伙伴'。它可以是你的产品代言人，可以是你的课程讲师，可以是你的短视频搭子，甚至是你深夜写代码时，那个会笑着提醒你'该休息啦'的朋友。

别再把它当成技术玩具。把它当成你表达的延伸，你创意的扩音器，你沟通的新器官。

下一步，试试用它为你上周写的周报配音； 试试用它把孩子画的画，变成一段童声讲述的故事； 试试用它把枯燥的操作手册，变成一场轻松的语音导览。

声音，本该如此鲜活。