好像没什么人提用GPT-SoVITS做tts?

hi94740

年后因为deepseek的风潮就尝试了一下本地部署llm，发现效果还不错，于是本着手上有锤子那就要找钉子砸的心态，尝试了ha的llm语音助手，还以此为借口趁着国补买了台m4 Mac mini，换掉了感觉有点不堪重负的树莓派4b
研究的时候发现，语音助手的组件（我只研究本地的，所以edgetts这种在线的就不在考虑范围内了）里对中文最不友好的居然是tts，其他的用官方推荐的东西都能解决，唯有tts，很多不能说不支持中文吧，只能说中文听起来惨不忍睹（官方推荐的piper，网上搜到的bark）
这个22年发的addon试过了，zh_baker这个模型听起来还行，但这个模型完全说不了中文以外的一点东西……字母都不行
这个帖子太新了没来得及试，效果也许更好一些
但我已经发现并且尝试了GPT-SoVITS，效果非常好，感觉是不需要换了，m4的cpu推理速度还行
网上没搜到接入ha的插件，所以自己写了个转MaryTTS API的服务器接入（不会python，不然就自己改个插件省去中间商了，Wyoming Protocol也试过，我用nodejs写的tts服务器不知道为什么总是有杂音所以放弃了）
可以看看效果（用的原神诺艾尔模型）：

因为我现在的接入方案比较潦草（nodejs服务器+修改版MaryTTS集成），发出来怕是也不适合大家，就不发了，还是期待懂python的大佬写个更优雅的接入方案出来吧

隔壁的王叔叔

延迟太高了吧

hi94740

隔壁的王叔叔 发表于 2025-2-21 08:52
延迟太高了吧

因为环境比较嘈杂，实际上“请稍等”是停止录音开始处理的提示音，很大一部分延迟是判断停止录音的时间，stt我用的是官方推荐的faster-whisper，不知道换个别的会不会好点，没试过

bugensui

GPT-SoVITS收费不，可以离线部署吗，不知道tts的速度怎么样，离线部署的几个速度都很慢，短文本还行，长点，就要等会才有结果

hi94740

bugensui 发表于 2025-2-21 12:40
GPT-SoVITS收费不，可以离线部署吗，不知道tts的速度怎么样，离线部署的几个速度都很慢，短文本还行，长点 ...

开源的，我就是本地部署的，GPT-SoVITS也不快，我用m4 cpu推理，几百字的也要花好几秒，如果用好点的n卡可能会快点，要快的话可能要么升级配置要么就不能选这种ai的tts了

bugensui

hi94740 发表于 2025-2-21 13:21
开源的，我就是本地部署的，GPT-SoVITS也不快，我用m4 cpu推理，几百字的也要花好几秒，如果用好点的n卡 ...

几百字几秒钟已经很快了，。我的要求不高，如果在nas里。离线部署，50字左右的话，3秒可以完成，那我就满足了。因为智能家居里的tts播报，大多数，都是50个字以内，有部署连接不，我学习下。

c1pher_小愚

tts 你用链接里贴的Sherpa Onnx框架已经很可以了。
单独中文没什么大问题，稍微差一点的是在中英混合的场景下

hi94740

bugensui 发表于 2025-2-21 14:13
几百字几秒钟已经很快了，。我的要求不高，如果在nas里。离线部署，50字左右的话，3秒可以完成，那我就满 ...

抱歉是我说的有偏差了，刚才试了一下，一百多个字的天气情况文本，生成音频长度三十多秒的，就要花十秒了，五十字左右的试了一下要花4秒，当然这都是基于我的配置，你的配置不同的话时间可能也会不同
想试一下的话可以看看这个文档，考虑到你是在nas上部署可能要参考docker部署的方法，但这里不包括对接ha的程序，我是自己写了一个转发的服务器，需要的话我可以发，但如果前面我提到的其他tts你都在你的机器上尝试过了，而且速度很慢的话，我猜测GPT-SoVITS跑起来应该也不会快，你不如先试试跑起来效果如何

bugensui

hi94740 发表于 2025-2-21 15:36
抱歉是我说的有偏差了，刚才试了一下，一百多个字的天气情况文本，生成音频长度三十多秒的，就要花十秒了 ...

谢谢大佬，我研究下。，所以你说几百个字合成几秒，我很吃惊，除非你上gpu，不然基本上可能性很小。

itispip

看演示的视频，声音很自然，和EdgeTTS差不多。但是速度比EdgeTTS还慢啊，这么慢还有必要离线 么。