ChatTTS-Forge

官网介绍

Speech-AI-Forge 是由 lenML 开发的开源项目，围绕文本转语音（TTS）生成模型构建，提供 API Server 和基于 Gradio 的 WebUI 双接口。该项目专注于整合多种先进语音合成技术，支持本地部署、容器化部署（Docker）、Colab 一键启动及在线体验（HuggingFace Spaces）等多种使用方式。核心技术涵盖多模型 TTS 推理、语音识别（ASR）、语音克隆及语音增强，旨在为开发者和普通用户提供高效、灵活、高质量的语音生成解决方案。项目遵循 AGPL-3.0 开源协议，已获得 1.4k Stars 和 184 Forks，持续更新支持最新语音模型（如 Index-TTS-2、GptSoVits 等）。

核心功能特点

多模型支持与扩展

集成当前主流 TTS 模型，包括 ChatTTS、CosyVoice(v2)、FishSpeech(1.4)、GPT-SoVITS(v4)、F5-TTS(v0.6/v1)、Index-TTS(v1/v1.5/v2)、Spark-TTS 等，覆盖中英文及多语言（日语、韩语、粤语等）语音合成需求。同时支持 ASR 模型（Whisper、SenseVoice）、语音克隆（OpenVoice）及语音增强（ResembleEnhance），形成完整语音处理生态。

高级 TTS 合成控制

提供丰富的语音定制功能，包括音色切换（内置 27+ ChatTTS 音色、7+ CosyVoice 音色及参考音色）、自定义音色上传（支持参考音频生成个性化音色）、风格控制（调整语音情感、语速等）、速度/音调/音量调节及响度均衡。内置 Refiner 工具支持无限长文本处理，Enhancer 模型提升语音输出质量。

SSML 与高级脚本支持

集成语音合成标记语言（SSML）工具，支持精细控制语音合成效果。提供 Podcast 功能，支持长文本、多角色音频创作（适合博客或剧本式语音合成）；支持从字幕文件生成 SSML 脚本，并配备脚本编辑器，可导出、编辑 SSML 以优化生成效果。

长文本与批量处理优化

针对长文本场景，实现自动分割功能，支持调整分割结束符（eos）和阈值；支持设置 Batch Size，提升批量推理模型的处理速度。结合 ChatTTS 原生文本 Refiner，实现超长文本的流畅合成，满足有声书、课程音频等场景需求。

双接口与灵活部署

提供 Gradio 可视化 WebUI，适合非技术用户直观操作；同时提供 RESTful API 接口，支持开发者集成到各类应用中。部署方式灵活，包括 Docker 容器部署（支持 API 和 WebUI 分离部署）、本地环境部署、Colab 一键启动及 HuggingFace Spaces 在线体验，适配不同用户的使用场景。

应用场景

• 内容创作：支持博客、公众号文章等长文本转语音，通过 Podcast 功能实现多角色剧本式音频生成，适合自媒体创作者快速制作播客内容。
• 教育领域：将教材、课件等文本转换为高质量语音，支持多语言和风格调整，帮助学生通过听觉学习，提升教育内容可访问性。
• 有声书制作：利用长文本自动分割和多角色音色功能，高效生成有声书，支持批量处理和质量优化，降低制作成本。
• 语音助手开发：通过 API 接口将 TTS 能力集成到智能设备或应用中，实现个性化语音交互，支持自定义唤醒词和响应风格。
• 视频配音：从字幕文件（如 SRT）生成 SSML 脚本，一键转换为语音，适配短视频、教程视频等场景的配音需求，提升视频制作效率。
• 客服与智能回复：结合 ASR 功能实现语音转文本，再通过 TTS 生成自动回复语音，构建全流程智能客服系统，支持多语言服务。
• 无障碍工具：为视障用户提供文字转语音功能，通过调整语速、音调优化听觉体验，辅助用户获取文本信息。
• 语音克隆与个性化语音：利用 OpenVoice 等语音克隆技术，生成特定人物的语音（如企业吉祥物、虚拟主播），增强品牌辨识度。

优势

Speech-AI-Forge 的核心优势在于多模型整合与技术领先性：支持当前主流 TTS 模型（如最新的 Index-TTS-2、GPT-SoVITS），并持续跟进行业前沿技术；提供从基础语音合成到高级定制（SSML、风格控制）的全流程功能，满足不同场景的精细化需求。部署方式灵活，覆盖从个人用户到企业级应用的全场景，同时兼顾易用性（WebUI）和开发扩展性（API）。此外，项目保持活跃更新，定期支持新模型和功能优化，具备较强的技术迭代能力。

价值总结

Speech-AI-Forge 为用户提供一站式语音合成解决方案，核心价值体现在：降低 TTS 技术应用门槛，非技术用户可通过 WebUI 快速生成语音，开发者可通过 API 低成本集成；提升语音内容创作效率，支持批量处理、长文本优化和多风格定制，减少人工制作时间；满足个性化需求，通过自定义音色、语音克隆等功能，生成独特的语音输出；适配多场景需求，从教育、内容创作到企业服务，提供灵活的部署和功能组合方案，助力用户实现语音技术的多样化应用。

用户体验与优势

Speech-AI-Forge 注重用户体验设计，WebUI 界面直观易用，功能分类清晰，支持生成历史保存（最近三次结果）便于对比选择；试音功能允许上传音色文件后快速评估效果，降低音色选择成本。对于开发者，API 文档完善，支持批量请求和参数定制，结合 Docker 部署简化环境配置。此外，项目提供详细的模型下载脚本和部署指南，减少用户在环境准备和模型管理上的困扰，无论是新手还是专业用户均能高效上手。

技术优势

技术层面，Speech-AI-Forge 具备多模型融合架构，可同时支持 token 级流式 TTS（如 ChatTTS）和句子级 TTS（如 GPT-SoVITS），兼顾实时性与合成质量；长文本处理采用动态分割算法，结合 Batch Size 优化和 Refiner 工具，平衡处理速度与语音连贯性；语音增强模块（ResembleEnhance）提升输出音质，降低背景噪音。模型管理方面，提供多来源下载脚本（HuggingFace、ModelScope），支持按需获取模型，减少资源占用。项目代码结构模块化，便于维护和扩展，持续整合新模型（如 Index-TTS-2、Spark-TTS），保持技术领先性。