技术背景为什么要把 ChatTTS 和 Pynini 绑在一起ChatTTS 是最近社区里热度很高的端到端中文语音合成库支持多说话人、情感控制、语速调节一句话把文字扔进去就能拿到“带情绪”的语音。Pynini 则是 Google 开源的有限状态转换FST工具用 C 写成Python 层封装得足够友好专门做文本归一化TN、分词、韵律预测这类“文本→音素”的脏活累活。在 Windows 上做中文 TTS 产品90% 的崩溃都卡在两条线文本预处理不干净数字、字母、符号读得尴尬语音后端装不上或者装上了跑不动。把 ChatTTS 当“声码器”、Pynini 当“文本清洗器”两条线一接就能把“原始文本→干净音素→自然语音”整条链路跑通而且全链路 Python 可控方便后面做批量化、服务化。环境准备先把 Windows 的坑填平Windows 不是 Linux别指望apt-get一行命令解决战斗。下面给出我踩了三天总结出的“最小存活路径”。系统要求Win10 21H2 及以上64 位BIOS 里打开虚拟化后面 WSL2 要用。NVIDIA 驱动 ≥ 512.15且带 CUDA 11.8 以上ChatTTS 默认用 GPU 跑得快。安装顺序一步都不能跳安装 Visual Studio Build Tools 2022勾选“C 桌面开发”与“Windows 11 SDK”。安装 Miniconda用conda而不用系统 Python避免 DLL 地狱。创建干净环境conda create -n tts python3.10 -y conda activate tts先装 Pynini 的“二进制轮子”别直接pip install pynini会编译到哭。pip install https://github.com/kpu/kenlm/releases/download/v0.1/pynini-2.1.5-cp310-cp310-win_amd64.whl如果找不到对应轮子就打开 WSL2 用apt install libfst-tools编译好再把.so文件拷回 Windows亲测可行。安装 ChatTTSpip install ChatTTS这一步会自动拉torch2.0但 Windows 下经常把 CUDA 版本搞错。如果torch.cuda.is_available()返回 False手动重装pip uninstall torch -y pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118校验在 Python 里执行import ChatTTS, pynini, torch print(torch.__version__, torch.cuda.is_available())全部不报错环境准备 OK。集成实战30 行代码跑通“文本→语音”下面给出单脚本版本保存为chatts_pynini_demo.py可直接python chattds_pynini_demo.py跑。关键注释已写在行尾方便二次开发时直接改。# -*- coding: utf-8 -*- Windows 下 ChatTTS Pynini 最小可运行示例 依赖: conda activate tts import ChatTTS import pynini as pn import soundfile as sf import re import os # 1. 文本归一化规则示例级可继续往里面加 def text_normalize(text: str) - str: 用 Pynini 做数字、缩写、符号的 FST 转换 # 数字转中文读法 digit pn.union(*零一二三四五六七八九) digit_star pn.closure(digit, 0) # 0-99 整数 num_fst (digit pn.closure(digit, 0)) | (digit 十 digit_star) # 简单映射 1-一 num_fst pn.cross(1, 一) # 交叉编译 # 这里只演示思路生产环境请用更完整的 grammar out num_fst.optimize().rewrite(text) # 去掉标点ChatTTS 训练时没喂太多符号 out re.sub(r[。], , out) return out # 2. 加载 ChatTTS chat ChatTTS.Chat() chat.load(compileFalse) # compileTrue 会 JIT第一次慢生产环境可打开 # 3. 推理 raw_text 2024年6月BTC价格突破69000美元 # 带数字英文符号 norm_text text_normalize(raw_text) print(归一化后文本:, norm_text) wav chat.infer(norm_text, use_decoderTrue) sf.write(demo.wav, wav[0][0], 24000) # 24kHz 采样率 print(已写入 demo.wav)跑通后目录会多一个demo.wav播放检查数字是不是读成“二零二四……”如果是说明 Pynini 链路生效如果声音正常说明 ChatTTS 后端 OK。性能优化让 GPU 别吃满、内存别爆炸批量化ChatTTS 的infer()支持列表输入一次性喂 32 条文本比 for 循环快 3 倍但注意总 token 别超 2k否则显存直接 OOM。半精度在load()里加dtypetorch.float16显存占用直接减半音质 AB 测试听不出区别。进程模型Windows 的torch.multiprocessing会拖 DLL建议用fastapiuvicorn单进程异步外部用 nginx 负载均衡别硬上多进程。内存增长每次infer()后手动torch.cuda.empty_cache()否则连续调 200 次会看见内存阶梯式上涨不是泄露是 CUDA 缓存没释放。模型裁剪如果只做单人朗读可在chat.load_models()时只拉decoder部分encoder 用dummyTrue模型从 1.2G 降到 400M冷启动快 40%。避坑指南五个高频错误与解药ImportError: cannot import name Fst原因装了pynini但 Win 下缺libfst.dll。解决回退到上文给出的轮子版本或把openfst-1.8.2-win64/bin加入系统 PATH。RuntimeError: CUDA error: invalid device ordinal原因笔记本双显卡ChatTTS 默认找 GPU 1但 Windows 只有 0。解决chat.load(device0)显式指定。语音出来全是“滋滋”噪声原因采样率错配ChatTTS 输出 24kHz直接当 16kHz 写文件。解决sf.write()时写对 24000或重采样到 16k 再写。Pynini 规则不生效数字原样输出原因FST 没编译进去用的仍是 Python 层字符串。解决在text_normalize()里打印num_fst.optimize().num_states()若等于 0 说明规则空检查pn.cross语法。打包 exe 后闪退原因PyInstaller 没抓到libfst.dll。解决spec 文件加binaries[(libfst.dll, .)]并关闭--windowed用控制台调试一目了然。留给你的作业做一个“自定义情感旋钮”今天的脚本只走了“文本→语音”最短路径。ChatTTS 其实支持params_refine_textTrue时传入情感向量维度 256值域 [-1,1]。尝试步骤在chat.infer()里加params{emotion: [0.5]*256}听一听是不是更“开心”。用 Gradio 画 256 个 slider让用户自己拖实时推理。把最顺耳的向量存成 json下次直接当模板。做好后把 GitHub 链接甩到评论区一起交流调参玄学。祝你编译不报错CUDA 不 OOM我们下一篇见。