ChatTTS-ui 本地语音合成实战：3 分钟生成你自己的专属音色

ChatTTS-ui 本地语音合成实战：3 分钟生成你自己的专属音色

【免费下载链接】ChatTTS-ui一个简单的本地网页界面，使用ChatTTS将文字合成为语音，同时支持对外提供API接口。A simple native web interface that uses ChatTTS to synthesize text into speech, along with support for external API interfaces.项目地址: https://gitcode.com/GitHub_Trending/ch/ChatTTS-ui

ChatTTS-ui 是一款本地网页语音合成工具：在浏览器里输入文字，直接得到语音，无需云服务、不配 API key。它内嵌 ChatTTS 模型，支持中英混杂文本，同时对外暴露 HTTP 接口方便程序调用。最有意思的是它的音色定制——一个数字就能选出生成的音色，或者把中意的音色固定成文件反复使用。下面先用 3 分钟拿到第一段音频，再逐个拆参数。

快速上手：3 分钟拿到第一段语音

准备好 Python 3.9～3.11 环境，三条命令即可：

git clone https://gitcode.com/GitHub_Trending/ch/ChatTTS-ui cd ChatTTS-ui && pip3 install -r requirements.txt python3 app.py

首次启动会自动下载模型（优先 ModelScope，连不上再走 Hugging Face），稍等片刻后浏览器自动打开http://127.0.0.1:9966。在网页里输入文字、选个音色、点生成，就能听到效果。

不想用网页也可以直接调 API：

curl -X POST http://127.0.0.1:9966/tts --data "text=你好，这是一次本地语音合成测试"

返回的 JSON 里有filename（本地 wav 路径）和url（可下载地址），拿到 url 直接播放即可。

音色定制核心：5 个参数决定声音长什么样

voice：决定音色的数字。内置预置音色为2222 | 7869 | 6653 | 4099 | 5099，也可以传任意数字。如果 speaker/ 目录里有同名文件（如2222.csv），就直接用文件里的音色；没有同名文件时，这个数字会当作随机种子生成一个新音色，并自动保存回 speaker 目录。它就像电视的频道号——频道有节目就播节目，没有频道就随机切台。调完效果差在哪：纯靠数字生成音色时，不同机器、甚至同一台机器重复生成，音调都可能漂移，想固定声音就不能只依赖数字。

custom_voice：大于 0 的整数种子，一旦设置就覆盖voice。类比成手动输入频道号，优先于预置菜单。适合"我就想要这一个种子对应的声音"的场景。

temperature：随机度旋钮，默认 0.3。就像音量旋钮，拧小声音更稳——设 0.1～0.2 时语调几乎不走形，适合播报；调到 0.5 以上会有更多起伏，但偶尔会读得"放飞"。

prompt：特殊标记串，例如[oral_2][laugh_0][break_6]，分别控制口腔音、笑声、停顿。它像剧本里的舞台提示，告诉"演员"在哪里笑、在哪里停。空着就是正常陈述语气。

skip_refine：0 或 1。ChatTTS 合成前会先把原文润色成更适合朗读的形式（refine 阶段），设 1 跳过它，生成更快但自然度下降。像交稿前要不要审一遍：跳过快，但容易留下"生硬感"。

进阶工作流：从单条到批量

单条生成你已经会了。接下来是导入外部音色。0.96 版本内核升级后，从外部站点下载的旧格式 pt 文件不能直接用，转换流程是：把以seed_开头、_emb.pt结尾的文件放进 speaker/，然后运行 cover-pt.py：

python cover-pt.py

脚本会把它们转换成以-covert.pt结尾的文件，转换完成后原文件可以删掉。

再往上就是批量产出。API 支持 GET/POST 两种请求方式，用 Python 循环调用即可，音频统一落在static/wavs/目录，文件名自带seed、te（temperature）、tp（top_p）、tk（top_k）等信息，方便回溯参数：

import requests for i in range(10): r = requests.post('http://127.0.0.1:9966/tts', data={ 'text': f'第{i}条测试文本，请查收。', 'voice': '2222', 'temperature': 0.3, 'top_p': 0.7}) print(r.json()['audio_files'][0]['url'])

跑完觉得哪条参数合适，把对应音色种子记录下来或存成文件即可。目录越积越大时，可以调用/clear_wavs接口清空。

调参实战：三种常见场景的参数配方

top_k默认 20，一般不用动。下面三套组合可以直接抄：

不确定音色听感的话，先用几个不同数字各生成一句同样的文本对比，再定参数。

避坑清单：4 个高频问题的解法

部署和性能上再记三点：GPU 加速需要显存 4G 以上加 CUDA 12.8+，设备选择逻辑见 app.py；要在局域网访问，改.env里的WEB_ADDRESS（如192.168.0.10:9966）；报错排查优先查 faq.md。

写在最后

一句话回顾：音色靠数字或文件，temperature管稳定，prompt管戏感，批量就是循环调 API。下一步建议用 5 个不同种子各生成一段试听，挑中意的那个存进 speaker 目录固定下来，之后所有合成都基于它微调参数即可。🎯

【免费下载链接】ChatTTS-ui一个简单的本地网页界面，使用ChatTTS将文字合成为语音，同时支持对外提供API接口。A simple native web interface that uses ChatTTS to synthesize text into speech, along with support for external API interfaces.项目地址: https://gitcode.com/GitHub_Trending/ch/ChatTTS-ui