关键词：藏语、TTS、本地运行、MMS、VITS、Python
0. 这篇文章要解决什么问题？
这篇文章的目标是：
在本地，用 Python + 开源模型，把藏文文本文件合成一段藏语语音（wav 文件）。
读完后，你能做到这件事：
- 有一个
tibetan_text.txt，里面写着几行藏文； - 运行一个 Python 脚本；
- 得到一个
tibetan_from_file.wav，可以直接播放，听到藏语朗读。
1. 方案概览：用什么？
我们选用的是 Meta 开源的 MMS-TTS 模型中的一个子模型：
- 模型名：
facebook/mms-tts-khg - 作用：针对 藏语康方言（Khams） 的文本转语音（TTS）模型
- 接口：已经集成进 Hugging Face 的 Transformers 库
你可以简单把它理解为一个'会说藏语康方言的 TTS 小盒子'：
- 输入：藏文文本（Unicode 藏文字）
- 输出：语音波形（可以保存为 wav 文件）
我们要做的事情就是：
- 把文本从文件中读出来；
- 交给这个模型；
- 把模型输出的语音保存为一个
.wav文件。
2. 环境准备
2.1 创建虚拟环境（可选但推荐）
python -m venv venv
source venv/bin/activate # macOS / Linux
# venv\Scripts\activate # Windows
2.2 安装依赖
pip install --upgrade transformers accelerate
pip install torch scipy numpy
说明：
transformers：加载 MMS-TTS 模型；torch：模型推理；scipy、numpy：处理音频、写 wav 文件。
第一次运行时，会自动从 Hugging Face 下载模型文件，可能几百 MB。
3. 准备藏文文本文件
在你准备放脚本的目录下，新建一个文本文件：
文件名：tibetan_text.txt
编码：UTF-8
示例内容（你可以换成自己的）：
ངའི་མིང་ལ་བཀྲ་ཤིས་ཟེར། ང་སློབ་མ་ཡིན།
脚本会把整个文件内容合成成一段连续语音。
4. 完整代码：从文件读入 → 合成 → 输出 wav
在和 tibetan_text.txt 同一个目录下，新建 Python 文件，比如 mms_tts_from_file.py，内容如下：
transformers VitsModel, AutoTokenizer
torch
scipy.io.wavfile wavfile
pathlib Path
os
numpy np
():
(, os.getcwd())
script_dir = Path(__file__).resolve().parent
input_path = script_dir /
input_path.exists():
()
()
(input_path, , encoding=) f:
text = f.read().strip()
text:
()
()
(text)
( * )
model_name =
()
model = VitsModel.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
model.()
inputs = tokenizer(text, return_tensors=)
()
torch.no_grad():
output = model(**inputs).waveform
audio = output.squeeze().cpu().numpy()
max_val = np.(np.(audio))
max_val > :
audio = audio / max_val
audio = (audio * ).astype()
sr = model.config.sampling_rate
out_path = script_dir /
wavfile.write((out_path), rate=sr, data=audio)
()
(out_path)
(, out_path.exists())
__name__ == :
main()
