XTTS：音频生成器 — 功能与运行要求

XTTS 是 Coqui 推出的开源语音生成器。它解决 text-to-speech 任务：将文本转换为可听的语音。该项目在 GitHub 仓库中持续开发，并以 Python 库的形式分发。

功能

作者将该项目的描述为用于语音合成的深度学习工具集，据他们所说，该工具集已在研究和实际工作环境中得到验证。仓库标签中列出了 multi-speaker-tts、voice-cloning 和 voice-conversion——即多说话人处理、声音克隆和声音转换。此外还提到了 glow-tts、hifigan、melgan、tacotron 等架构以及 speaker-encoder 和 vocoder 组件。

XTTS-v2 模型托管在 Hugging Face 上。权重文件总大小为 1.9 GB，最大的文件占 1.7 GB。权重按 Coqui Public Model License 1.0.0 许可证分发，该许可证仅允许非商业用途。

运行要求

代码使用 Python 编写。代码许可证为 MPL-2.0。最新版本为 v0.22.0，最后一次代码变更为 2024 年 8 月 16 日。仓库创建于 2020 年 5 月 20 日。

据作者描述，平台为 cuda。描述中引用了用户 GuyPaddock 编写的 Windows 上 CUDA 安装指南。作者未说明内存要求和具体的 CUDA 版本。

适用人群

该项目适合那些寻找基于 Python 的开源语音合成工具、并愿意自行研究安装和运行的人。带有 voice-cloning 和 voice-conversion 标签可能对处理多说话人或声音转换任务的人有吸引力。

不适合那些期待有界面的现成应用的人：这是一个库和模型，而不是开箱即用的产品。此外还需注意，权重许可证 Coqui Public Model License 1.0.0 仅允许非商业用途。作者未说明内存要求，因此很难事先评估最低配置。

XTTS 是一个用于语音合成的开源研究工具，自 2020 年以来持续开发并不断获得更新。它提供了对模型和代码的访问，但需要技术准备并注意权重许可证的条件。