Text To Speech 文本转语音与声音融合

目标网站网页截图，页面可能随时间更新。

• 作者：amphion
• 分类：AI 音频
• 名称：Text To Speech
• 来源：Hugging Face Spaces

Text To Speech 面向需要把文字转换为语音，或尝试组合两种说话人音色的任务。使用时可先输入文本生成语音，再在声音融合区域提供两位目标说话人的音频，并调整融合程度，观察混合后的语音效果。

文本转语音

应用提供文本输入框和语音生成结果区域，可将文字作为输入并生成对应语音。界面中的 Speaking Rate 控制说话速度，步数增加时语速会加快。对于需要调整朗读节奏的内容，可以结合文本长度和期望效果设置该参数。

1. 输入需要转换的文字。
2. 调整 Speaking Rate，以改变生成语音的说话速度。
3. 查看 Generated Speech 音频结果。

它可以处理什么任务？

可用于将输入文本转换为语音，并根据需要调整生成语音的说话速度。

声音融合

Voice Fusion 区域用于尝试两种说话人音色的组合。使用者可以选择或提供 Target Speaker 1 与 Target Speaker 2，再通过 Fusion Degree 调整融合程度。该参数的步数增加时，生成声音会更接近第二位说话人。

1. 准备两位目标说话人的音频。
2. 将音频分别用于 Target Speaker 1 和 Target Speaker 2。
3. 调整 Fusion Degree，控制混合比例与偏向。
4. 查看 Interpolated Speech 生成的融合语音。

Fusion Degree 控制什么？

它用于调整两位说话人之间的融合程度；步数增加时，生成语音会更接近 Speaker 2。

适用思路

如果重点是快速获得文字朗读结果，可先使用文本转语音区域，并把注意力放在文本内容和 Speaking Rate 上。如果目标是探索混合音色，则应同时准备两段目标说话人音频，再逐步改变 Fusion Degree，对比不同设置下的 Interpolated Speech。

• 朗读类任务：先输入文本，再调整说话速度。
• 音色探索：准备两位说话人音频并改变融合程度。
• 参数对比：固定文本和目标音频，分别测试不同设置。

如何选择使用哪个区域？

只需要文字朗读时使用文本转语音区域；需要组合两种说话人音色时使用 Voice Fusion 区域。

界面与模型

该应用界面包含文本输入、说话速度、融合程度、目标说话人音频、生成语音和融合语音等组件。应用介绍其使用的是 Amphion TTS 预训练 VITS 模型，可用于探索文本转语音与声音融合功能。

应用使用什么模型？

界面介绍中称其使用 Amphion TTS 预训练 VITS 模型。

访问网站 · 查看资料来源