坦白讲，过去让AI开口说话，基本就是听一段毫无感情的机器音——语调平得像心电图，听不了两句就想快进。

但ChatTTS的出现，确实给这个领域注入了一剂强心针。

作为专门为对话场景设计的文本转语音模型，它精准切中了用户对“生动对话”的刚需。

• 无论是短视频配音、有声小说录制、数字营销物料，还是日常办公里的语音辅助，它都能胜任。
• 而且围绕它衍生出的音色抽卡、长文本推理、角色扮演等功能，硬是把“文本转语音”玩出了花。

项目简介

ChatTTS由2noise团队打造，核心定位就是对话式TTS——比如给LLM助手配个音，它天然适配。

使用门槛极低：输入文本，稍加配置，就能输出对应的语音文件。

它同时覆盖中英文，两种语言的表现都很自然。甚至你塞进去一句中英混搭的句子，它也能无缝切换，毫无违和感。

训练数据量更是惊人。

• 最大模型基于10万小时以上的中英文数据训练。
• 目前在HuggingFace上开源的版本，是经过4万小时训练且未做SFT的版本。

这个体量，放到开源TTS模型里，绝对算得上重量级。

ChatTTS天然适配LLM对话场景——当它被集成到各种应用和服务中时，能够生成对话响应，带来更自然、更流畅的交互体验。

一句话总结：它不是让AI“念稿子”，而是让AI“说话”。

核心功能

1. 文本转语音

ChatTTS生成的语音自然流畅，并且在输入文本中支持加入笑声 [laugh] 和停顿 [uv_break] 作为韵律标记，可操作性很强。

有了这些副语言现象，结果听起来就像日常聊天，而不是播音腔。

更有趣的是，它还能模仿地域口音——比如你问四川有哪些美食，它回答时甚至会带上一点川普味儿。

（几个示例：Colab笔记本）

让它朗读或陈述信息时，音质相当不错：

• 声音清晰饱满，背景噪音少，语速适中，声调平稳。
• 英文发音尤其地道，简直像广播电台的播音员。
• 当然，偶尔也会出现吞音之类的小瑕疵，但瑕不掩瑜。

让它读故事的话，效果更是惊艳：

• 抑扬顿挫，该提升声调突出重点时毫不含糊。
• 该放缓过渡时自然流畅，断句处理也干净利落。

总的来说，ChatTTS针对对话式任务做了深度优化，实现了自然流畅的语音合成，同时支持多说话人。

语调、语气的变化都很细腻，非常接近真人说话，绝不会停留在单一音调上显得生硬。整体声音连贯自然，没有那种机械的别扭感。

2. 细粒度控制——韵律调整

该模型能预测和控制细粒度的韵律特征，包括笑声、停顿、插入词等。

前面提到的停顿和笑声只是冰山一角——实际上模型支持多种韵律调整，不限于 [uv_break] 和 [laugh]（笑声还有三种：[laugh_0]、[laugh_1]、[laugh_2]），还有 [music]、[pu re]、[oral_0]、[speed_3]、[Stts]、[Ptts] 等标记。

每个标记会对上下文产生不同程度的影响，从而精准控制情绪表达而不显突兀。

不过目前参数自动预处理还不够精细，需要一定的人工介入才能达到最理想的效果。

言而总之，这个模型可以精确控制笑声、停顿、语调等韵律元素，让合成语音真正“有表情”。

项目实操

基础用法

import ChatTTS
from IPython.display import Audio

chat = ChatTTS.Chat()
chat.load_models(compile=False)  # 设为True可获得更好性能

texts = ["PUT YOUR TEXT HERE",]
wa vs = chat.infer(texts, )

torchaudio.sa ve("output1.wa v", torch.from_numpy(wa vs[0]), 24000)

进阶用法

说话人生成的主要方法是：先从高斯噪声中采样，得到一个固定长度的说话人向量，然后作为额外信息输入网络。

项目默认音色是随机的，但可以通过固定随机种子来固定音色，解决音色过于随机的问题。

#################################### Sample a speaker from Gaussian.
rand_spk = chat.sample_random_speaker()
params_infer_code = {
    'spk_emb': rand_spk,          # add sampled speaker
    'temperature': .3,            # using custom temperature
    'top_P': 0.7,                 # top P decode
    'top_K': 20,                  # top K decode
}

#################################### For sentence level manual control.
# use oral_(0-9), laugh_(0-2), break_(0-7)
# to generate special token in text to synthesize.
params_refine_text = {'prompt': '[oral_2][laugh_0][break_6]'}
wa v = chat.infer(texts, params_refine_text=params_refine_text, params_infer_code=params_infer_code)

#################################### For word level manual control.
text = 'What is [uv_break]your fa vorite english food[laugh][lbreak]'
wa v = chat.infer(text, skip_refine_text=True, params_refine_text=params_refine_text, params_infer_code=params_infer_code)

torchaudio.sa ve("output2.wa v", torch.from_numpy(wa vs[0]), 24000)

更多完整的示例可参考项目Colab笔记本：ChatTTS推理演示