🍦 Speech-AI-Forge

Speech-AI-Forge 是一个围绕 TTS 生成模型开发的项目，实现了 API Server 和 基于 Gradio 的 WebUI。

你可以通过以下几种方式体验和部署 Speech-AI-Forge：

-	描述	链接
整合包	Windows整合包解压即用	Releases
Colab体验	点击按钮，一键启动 Colab
本地部署	查看环境准备部分	本地部署
容器部署	查看 docker 部分	Docker

Breaking change logs

• 260402: Support Cloud TTS (minimax tts) #293
• 260202: Support CosyVoice3 #264
• 260129: Support Qwen3-TTS #282
• 250912: Support Index-TTS-2 #265
• 250702: Support Index-TTS-1.5 #250
• 250522: Support GptSoVits #198
• 250518: Support SenseVoice ASR #122
• 250508: Support Spark-TTS #223
• 250507: Support F5TTS-TTS-v1 model #231
• 250505: Support Index-TTS #229
• 241111: Add v2/tts API #187
• 241109: Support fishspeech #191
• 241015: Support F5TTS v0.6.2 #176
• 241009: Support FireRedTTS #165
• 240813: Support OpenVoice #100
• 240801: Add ASR API #92
• 240723: Support CosyVoice #90

Installation and Running

首先，确保 相关依赖 已经正确安装，并查看 模型下载 下载所需模型

启动：

python webui.py

WebUI 功能

点我看详细图文介绍

• TTS (文本转语音): 提供多种强大的 TTS 功能

  • 音色切换 (Speaker Switch): 可选择不同音色
    • 内置音色: 提供多个内置音色，包括 27 ChatTTS / 7 CosyVoice 音色 + 1 参考音色
    • 自定义音色上传: 支持上传自定义音色文件并进行实时推理
    • 参考音色: 支持上传参考音频/文本，直接基于参考音频进行 TTS 推理
  • 风格控制 (Style): 内置多种风格控制选项，调整语音风格
  • 长文本推理 (Long Text): 支持超长文本的推理，自动分割文本
    • Batch Size: 支持设置 Batch size，提升支持批量推理模型的长文本推理速度
  • Refiner: 支持 ChatTTS 原生文本 refiner，支持无限长文本处理
  • 分割器设置 (Splitter): 调整分割器配置，控制分割结束符（eos）和分割阈值
  • 调节器 (Adjuster): 支持调整 速度/音调/音量，并增加 响度均衡 功能，优化音频输出
  • 人声增强 (Voice Enhancer): 使用 Enhancer 模型增强 TTS 输出，提高语音质量
  • 生成历史 (Generation History): 保存最近三次生成结果，便于对比和选择
  • 多模型支持 (Multi-model Support): 支持多种 TTS 模型推理，包括 ChatTTS / CosyVoice / FishSpeech / GPT-SoVITS / F5-TTS 等

• SSML (语音合成标记语言): 提供高级 TTS 合成控制工具

  • 分割器 (Splitter): 精细控制长文本的分割结果
  • Podcast: 帮助创建 长文本、多角色 的音频，适合博客或剧本式的语音合成
  • From Subtitle: 从字幕文件生成 SSML 脚本，方便一键生成语音
  • 脚本编辑器 (Script Editor): 新增 SSML 脚本编辑器，支持从分割器（Podcast、来自字幕）导出并编辑 SSML 脚本，进一步优化语音生成效果

• 音色管理 (Voice Management):

  • 音色构建器 (Builder): 创建自定义音色，可从 ChatTTS seed 创建音色，或使用参考音频生成音色
  • 试音功能 (Test Voice): 上传音色文件，进行简单的试音和效果评估
  • ChatTTS 调试工具: 专门针对 ChatTTS 音色的调试工具
    • 音色抽卡 (Random Seed): 使用随机种子抽取不同的音色，生成独特的语音效果
    • 音色融合 (Blend): 融合不同种子创建的音色，获得新的语音效果
  • 音色 Hub: 从音色库中选择并下载音色到本地，访问音色仓库 Speech-AI-Forge-spks 获取更多音色资源

• ASR (自动语音识别):

  • ASR: 使用 Whisper/SenseVoice 等模型进行高质量的语音转文本（ASR）
  • Force Aligment: 使用 Whisper 模型可以进行【文稿匹配】提高识别准确性

• 工具 (Tools):

  • 后处理工具 (Post Process): 提供音频剪辑、调整和增强等功能，优化生成的语音质量

launch.py: API Server

某些情况，你并不需要 webui 或者需要更高的 api 吞吐，那么可以使用这个脚本启动单纯的 api 服务。

启动：

python launch.py

启动之后开启 http://localhost:7870/docs 可以查看开启了哪些 api 端点

更多帮助信息:

• 通过 python launch.py -h 查看脚本参数
• 查看 API 文档

Docker

手动 build

• webui: docker-compose -f ./docker-compose.webui.yml up -d
• api: docker-compose -f ./docker-compose.api.yml up -d

环境变量配置

• webui: .env.webui
• api: .env.api

模型支持

模型类别	模型名称	支持多语言	实现情况
TTS
	Index-TTS	en, zh	✅ (v1/v1.5)
	Qwen3-TTS	en, zh	✅
	FishSpeech	en, zh, jp, ko	✅ (1.4)
	CosyVoice	en, zh, jp, yue, ko	✅ (v2/v3)
	FireRedTTS	en, zh	✅
	F5-TTS	en, zh	✅ (v0.6/v1)
	Spark-TTS	en, zh	✅
	GPT-SoVITS	en, zh, ja, ko, yue	✅
	ChatTTS	en, zh	✅
Cloud TTS
	MiniMax Cloud TTS	en, zh, jp, ko + more	✅ (speech-2.8-hd/turbo)
ASR
	Whisper	✅	✅
	SenseVoice	✅	✅
Voice Clone	OpenVoice	—	✅
Enhancer	ResembleEnhance	—	✅

模型下载

python -m scripts.download_models --source=modelscope --models="model1,model2,..."

🔍 说明：

• 支持 --source=huggingface 或 --source=modelscope 或 --source=auto （自动根据网络环境选择hf或者ms）
• 模型 ID 大小写不敏感，可忽略 -, _, / 等符号
• 例如：Qwen3-TTS-12Hz-0.6B-Base 可写作 qwen3tts12hz06bbase 或 qwen3-tts-0.6b-base

📌 模型ID列表

模型类别	内部模型 ID（可直接用于 --models）
TTS	ChatTTS
	CosyVoice2-0.5B
	CosyVoice_300M_Instruct
	Fun-CosyVoice3-0.5B-2512
	F5-TTS-V1
	FireRedTTS
	fish-speech-1_4
	fish-speech-1.2-sft
	Index-TTS-1.5
	Index-TTS
	Index-TTS-2
	Qwen3-TTS-12Hz-0.6B-Base
	Qwen3-TTS-12Hz-0.6B-CustomVoice
	Qwen3-TTS-12Hz-1.7B-Base
	Qwen3-TTS-12Hz-1.7B-CustomVoice
	Qwen3-TTS-12Hz-1.7B-VoiceDesign
	Spark-TTS-0.5B
	gpt_sovits_v4
ASR	faster-whisper-large-v3
	faster-whisper-large-v3-turbo-ct2
	SenseVoiceSmall
CV / Voice Clone	OpenVoiceV2
Enhancer	resemble-enhance
依赖模型（Index-TTS-2 所需）	amphion/MaskGCT
	nvidia/bigvgan_v2_22khz_80band_256x
	funasr/campplus
	facebook/w2v-bert-2.0
	vocos-mel-24khz
(sense_voice依赖)	fsmn-vad

自动下载

配置环境变量 AUTO_DOWNLOAD 或者运行参数 --auto_download

• auto_download=False: 关闭自动下载
• auto_download=*: 当使用到的时候自动下载匹配的模型 "*" 表示通配所有模型
• auto_download=qwen3*: 自动下载 "qwen3" 开头的模型

FAQ

Goto Discussion Page

Documents

Learn About Documents

Contributing

To contribute, clone the repository, make your changes, commit and push to your clone, and submit a pull request.

format code

isort --profile black

References

• ChatTTS: https://github.com/2noise/ChatTTS

• PaddleSpeech: https://github.com/PaddlePaddle/PaddleSpeech

• resemble-enhance: https://github.com/resemble-ai/resemble-enhance

• OpenVoice: https://github.com/myshell-ai/OpenVoice

• FishSpeech: https://github.com/fishaudio/fish-speech

• SenseVoice: https://github.com/FunAudioLLM/SenseVoice

• CosyVoice: https://github.com/FunAudioLLM/CosyVoice

• FireRedTTS: https://github.com/FireRedTeam/FireRedTTS

• F5-TTS: https://github.com/SWivid/F5-TTS

• Index-TTS: https://github.com/index-tts/index-tts

• Spark-TTS: https://github.com/SparkAudio/Spark-TTS

• GPT-SoVITS: https://github.com/RVC-Boss/GPT-SoVITS

• Qwen3-TTS: https://github.com/QwenLM/Qwen3-TTS

• Whisper: https://github.com/openai/whisper

• ChatTTS 默认说话人: 2noise/ChatTTS#238