ChatTTS 开源项目全解析：专为对话场景打造的 AI 语音合成引擎

ChatTTS 是由 2noise 团队开源的对话式文本转语音模型，聚焦 LLM 助手、日常交互等对话场景，凭借自然韵律、细粒度控制与多语言能力，成为当下热门的开源 TTS 方案。项目地址：https://github.com/2noise/ChatTTS，代码遵循 AGPLv3+ 协议，模型遵循 CC BY-NC 4.0 协议，仅限学术与非商业使用。

一、项目核心定位与前言

ChatTTS 专为日常对话、AI 助手交互设计，区别于传统朗读式 TTS，主打自然流畅的拟人化语音，支持中英双语、多音色切换，可精准控制笑声、停顿、语气词等韵律细节。开源版为 4 万小时预训练基础模型，未经过 SFT 监督微调，完整训练数据超 10 万小时，兼顾研究与二次开发需求。

核心目标：降低对话式语音合成门槛，让开发者快速搭建自然、有温度的 AI 语音交互能力，适用于智能助手、语音播报、内容配音等场景。

二、核心功能与特色亮点

1. 对话场景深度优化

• 专为 LLM 对话、日常交流定制，语音自然不生硬，告别机械朗读感；
• 支持多说话人模式，可切换不同音色，适配多角色对话场景。

2. 中英双语完美支持

• 原生支持中文、英文输入，中英文混读无压力，发音准确、韵律协调；
• 兼顾中英文语调习惯，混读场景无明显割裂感，适配国际化需求。

3. 细粒度韵律控制

• 支持笑声 \[laugh\]、短停顿 \[uv\_break\]、长停顿 \[lbreak\] 等标记嵌入；
• 可通过参数调节口语化程度、笑声频率、停顿时长，精准定制语音风格。

4. 韵律表现领先开源圈

• 优于多数开源 TTS 模型，语调起伏、语气轻重更贴近真人表达；
• 提供预训练模型，支持二次微调，方便研究者优化适配特定场景。

5. 易用性与扩展性拉满

• 提供 WebUI 可视化界面、命令行、Python API 三种调用方式；
• 支持流式音频生成，适配实时交互场景；后续将开放多情感控制、DVAE 编码器等能力。

三、硬件配置推荐（实测可用）

ChatTTS 对显存敏感，优先推荐 NVIDIA 显卡，无 GPU 可使用 CPU 运行（速度较慢），具体配置如下：

补充说明：

• 生成 30 秒音频至少需 4GB 显存，RTX 4090 可实现约 7 个语义令牌 / 秒，实时因子 RTF≈0.3；
• AMD/Intel 核显暂不支持 GPU 加速，仅能通过 CPU 运行。

四、保姆级安装与部署教程

开源地址：https://github.com/2noise/ChatTTS

在线体验：ChatTTS 在线语音合成 - 对话式 AI 语音 自然情感表达

开发平台：ChatTTS 语音合成API接口文档

方式一：源码部署（开发者首选）

1. 克隆项目

git clone https://github.com/2noise/ChatTTS
cd ChatTTS

1. 环境配置（推荐 Python 3.11）

# 创建虚拟环境
conda create -n chattts python=3.11
conda activate chattts

# 安装依赖
pip install --upgrade -r requirements.txt

# 可选：Linux 安装 vLLM 加速
pip install safetensors vllm==0.2.7 torchaudio

1. 快速启动

• 启动 WebUI 可视化界面：

python examples/web/webui.py

• 命令行生成语音（保存为 MP3）：

python examples/cmd/run.py "待合成文本"

方式二：PyPI 快速安装（简洁版）

# 安装稳定版
pip install ChatTTS

# 安装 GitHub 最新版
pip install git+https://github.com/2noise/ChatTTS

方式三：Docker 部署（服务器 / 免环境折腾）

# GPU 加速版（推荐）
docker compose -f docker-compose.gpu.yaml up -d

# CPU 兼容版
docker compose -f docker-compose.cpu.yaml up -d

部署关键避坑提示

1. 路径禁止中文、空格，否则启动失败；
2. Windows 需安装 CUDA 11.8+ 启用 GPU 加速；
3. 显存不足时，添加 cpu\_offload=True 参数卸载部分计算到 CPU。

五、基础使用示例（Python 代码）

import ChatTTS
import torch
import torchaudio

# 初始化模型
chat = ChatTTS.Chat()
chat.load(compile=False)  # 显存有限可设 compile=False

# 待合成文本
texts = ["ChatTTS 开源对话式 TTS，支持中英双语与笑声、停顿控制！"]

# 基础生成
wavs = chat.infer(texts)

# 保存音频
torchaudio.save("output.wav", torch.from_numpy(wavs[0]).unsqueeze(0), 24000)

进阶：自定义音色与韵律

# 随机采样音色
rand_spk = chat.sample_random_speaker()

# 调节韵律：口语化2级、无笑声、停顿6级
params_refine_text = ChatTTS.Chat.RefineTextParams(
    prompt='[oral_2][laugh_0][break_6]'
)

# 带参数生成
wavs = chat.infer(texts, params_refine_text=params_refine_text)

六、常见问题（FAQ）

1. 显存不足怎么办？ 启用 chat\.load\(compile=False, cpu\_offload=True\)，降低显存占用。
2. 生成语音不稳定、多音色混杂？ autoregressive 模型常见问题，多次采样筛选最优结果。
3. 能否商用？ 模型遵循 CC BY-NC 4.0 协议，禁止商业使用，仅限学术研究。

七、总结

ChatTTS 是对话场景最优开源 TTS 选择之一，凭借自然韵律、细粒度控制、中英双语能力，完美适配 AI 助手、语音交互、内容配音等场景。部署简单、配置门槛友好，无论是新手体验还是开发者二次开发，都能快速上手。

项目持续迭代中，后续将开放情感控制、DVAE 编码器等能力，感兴趣的可关注 GitHub 仓库更新。