从安装到生成：Fish-Speech 1.5完整使用教程，手把手教你玩转TTS
从安装到生成：Fish-Speech 1.5完整使用教程，手把手教你玩转TTS
1. 项目简介与环境准备
Fish-Speech 1.5是一款创新的文本转语音(TTS)系统，采用独特的DualAR架构设计。与传统的TTS系统不同，它摒弃了对音素的依赖，能够直接理解和处理文本，大幅提升了泛化能力。
1.1 系统架构特点
- 双自回归Transformer设计：主Transformer以21Hz运行，次Transformer负责将潜在状态转换为声学特征
- 计算效率优化：相比传统级联方法，计算效率和语音输出质量都有显著提升
- 端到端处理：无需繁杂的语音规则库，直接处理原始文本
1.2 硬件与软件要求
| 组件 | 最低要求 | 推荐配置 |
|---|---|---|
| GPU | NVIDIA GTX 1060 (6GB) | RTX 3060及以上 |
| 内存 | 8GB | 16GB及以上 |
| 存储 | 10GB可用空间 | 20GB SSD |
| 操作系统 | Ubuntu 18.04 | Ubuntu 20.04/22.04 |
| CUDA版本 | 11.7 | 12.0及以上 |
2. 快速安装与部署
2.1 一键部署方法
对于使用CSDN星图镜像的用户，部署过程非常简单：
- 登录星图镜像平台
- 搜索"fish-speech - 1.5"镜像
- 点击"一键部署"按钮
- 等待部署完成(通常需要2-5分钟)
2.2 手动安装步骤
如果需要手动安装，可以按照以下步骤操作：
# 克隆仓库 git clone https://github.com/fishaudio/fish-speech.git cd fish-speech # 创建conda环境 conda create -n fish-speech python=3.11 conda activate fish-speech # 安装依赖 pip install -r requirements.txt # 下载预训练模型 wget https://huggingface.co/fishaudio/fish-speech-1.5/resolve/main/model.tar.gz tar -xzf model.tar.gz -C checkpoints/2.3 服务启动
启动WebUI服务：
python tools/run_webui.py --device cuda --half启动API服务：
python tools/api_server.py --listen 0.0.0.0:8080 --device cuda --half3. WebUI使用指南
3.1 界面概览
访问WebUI界面(默认地址：http://服务器IP:7860)，你会看到以下主要功能区：
- 文本输入区：输入要转换为语音的文本
- 参考音频上传区：用于声音克隆功能
- 参数调整区：控制语音生成质量的各项参数
- 生成控制区：启动/停止生成过程
- 音频播放区：试听和下载生成的音频
3.2 基础使用流程
- 在文本输入框中输入要转换的文字
- (可选)上传参考音频用于声音克隆
- 调整生成参数(或使用默认值)
- 等待界面右下角显示"已就绪"
- 点击"生成"按钮
- 等待生成完成后试听或下载音频
重要提示：务必等待"实时规范化文本同步完成"(界面右下角显示"已就绪")再点击生成按钮，否则可能导致断句不准或漏字。
3.3 声音克隆功能
Fish-Speech 1.5支持通过参考音频克隆特定音色：
- 准备5-10秒的干净人声录音(WAV或MP3格式)
- 点击"上传参考音频"按钮选择文件
- 在"参考文本"框中准确输入录音中的文字内容
- 系统将自动提取音色特征并应用于后续生成
最佳实践：
- 使用安静的录音环境
- 避免背景噪音和回声
- 说话自然，不要刻意改变音调
- 确保参考文本与录音内容完全一致
4. API接口使用
4.1 API基础信息
Fish-Speech 1.5提供了RESTful API接口，方便集成到其他系统中：
- 基础URL：http://服务器IP:8080/v1/tts
- 支持格式：JSON
- 请求方法：POST
4.2 Python调用示例
import requests import json url = "http://服务器IP:8080/v1/tts" headers = {"Content-Type": "application/json"} data = { "text": "欢迎使用Fish-Speech 1.5文本转语音系统", "temperature": 0.7, "top_p": 0.7, "repetition_penalty": 1.2, "format": "wav" } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: with open("output.wav", "wb") as f: f.write(response.content) print("音频生成成功") else: print(f"请求失败，状态码：{response.status_code}")4.3 cURL调用示例
curl -X POST "http://服务器IP:8080/v1/tts" \ -H "Content-Type: application/json" \ -d '{ "text": "这是一个通过API调用的测试语音", "temperature": 0.7, "top_p": 0.75, "repetition_penalty": 1.3, "format": "mp3" }' \ --output output.mp35. 参数详解与调优建议
5.1 基础参数
| 参数 | 说明 | 默认值 | 推荐范围 |
|---|---|---|---|
| text | 要合成的文本 | 无 | 不超过500字 |
| format | 输出音频格式 | wav | wav/mp3/flac |
| max_new_tokens | 每批次最大令牌数 | 1024 | 512-2048 |
5.2 高级参数调优
5.2.1 温度(temperature)
控制生成语音的随机性和多样性：
- 0.6-0.65：非常稳定，适合新闻播报、正式场合
- 0.7-0.75(默认)：平衡点，适合大多数场景
- 0.8-0.85：更具表现力，适合故事讲述、创意内容
5.2.2 Top-P(核采样)
影响词汇选择和语音流畅度：
- 0.6-0.65：保守选择，适合技术文档
- 0.7-0.75(默认)：平衡选择
- 0.8-0.85：更丰富的表达，可能增加口语化特征
5.2.3 重复惩罚(repetition_penalty)
防止语音中出现重复内容：
- 1.0-1.1：基本不抑制重复
- 1.2-1.3(默认)：适度抑制
- 1.4-1.5：强力抑制，适合诗歌等易重复文本
5.3 声音克隆参数
| 参数 | 说明 | 推荐值 |
|---|---|---|
| reference_audio | 参考音频文件路径 | 5-10秒干净音频 |
| reference_text | 参考音频对应的文本 | 必须准确匹配 |
| use_memory_cache | 是否缓存音色特征 | true(推荐) |
6. 常见问题与解决方案
6.1 服务无法启动
症状：访问7860或8080端口无响应
解决方案：
检查服务状态：
supervisorctl status查看错误日志：
tail -100 /var/log/fish-speech-webui.err.log检查端口占用：
netstat -tlnp | grep 7860 netstat -tlnp | grep 8080
6.2 生成质量不佳
症状：语音不自然、断句错误、音质差
解决方案：
- 确保文本规范化完成(界面显示"已就绪")
- 调整温度(0.6-0.75)和Top-P(0.65-0.8)
- 检查参考音频质量(清晰、无噪音)
- 对于长文本，设置chunk_length=100
6.3 GPU内存不足
症状：CUDA out of memory错误
解决方案：
- 减小max_new_tokens(建议512)
- 设置chunk_length=100
- 关闭不必要的服务释放显存
- 作为最后手段，使用--device cpu参数(不推荐)
7. 总结与最佳实践
Fish-Speech 1.5通过创新的DualAR架构，提供了高质量的文本转语音解决方案。以下是一些使用建议：
文本准备：
- 使用标准标点符号
- 避免过长段落(建议300字以内)
- 重要内容可分段生成
参数调优：
- 从默认参数开始
- 优先调整温度和Top-P
- 遇到重复问题时增加repetition_penalty
声音克隆：
- 准备高质量的参考音频
- 确保参考文本准确
- 同一音色可重复使用
性能优化：
- 批量处理使用API接口
- 长文本设置适当chunk_length
- 定期清理outputs目录
Fish-Speech 1.5平衡了质量与效率，是各类语音合成应用的理想选择。无论是内容创作、教育辅助还是商业应用，都能提供自然流畅的语音输出体验。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。