使用PP-TTS实现语音合成

调用 PP-TTS 需要安装的依赖文件 requirements.txt 如下（下面的版本号只是写这篇文章时的版本号，不是最新的版本号）：

paddlepaddle==2.4.2
paddlespeech==1.0.1
paddleaudio==1.0.1

在执行 TTS 任务过程中，会将使用到的 声学模型 和 声码器模型 下载到本地的 C:\Users\XXX\.paddlespeech\models 目录下。

执行 TTS 任务

可以通过代码或命令的方式，快速调用推理模型完成 TTS 任务并输出音频。

代码调用

from paddlespeech.cli.tts import TTSExecutor

tts_executor = TTSExecutor()

wav_file = tts_executor(
    text='湖北十堰竹山县的桃花摇曳多姿，和蓝天白云一起，构成一幅美丽春景。',
    output='output.wav',  # 输出音频的路径
    am='fastspeech2_csmsc',  # TTS任务的声学模型
    voc='hifigan_csmsc',  # TTS任务的声码器
    lang='zh',  # TTS任务的语言
    spk_id=174,  # 说话人ID
)

命令调用

paddlespeech tts --input "湖北十堰竹山县的桃花摇曳多姿，和蓝天白云一起，构成一幅美丽春景。" --output output.wav --am fastspeech2_csmsc --voc hifigan_csmsc --lang zh --spk_id 174

可能遇到的异常

问题1

在 Windows 下可能会遇到下面的编码异常：

UnicodeDecodeError: 'gbk' codec can't decode byte 0x8c in position 2088: illegal multibyte sequence

解决方式是修改源代码文件：

在 venv\Lib\site-packages\paddlespeech\t2s\frontend\zh_frontend.py 搜索到下面代码
- with open(phone_vocab_path, 'rt'
- with open(tone_vocab_path, 'rt'
在 venv\Lib\site-packages\paddlespeech\cli\tts\infer.py 搜索到下面代码
- with open(self.phones_dict, "r"
- with open(self.tones_dict, "r"
- with open(self.speaker_dict, 'rt'

在搜索到的代码处，全部补充加上 , encoding='UTF-8' 以修复编码异常。

问题2

在安装 future 库下可能会遇到下面的 No module named 'src' 异常：

          import src.future
      ModuleNotFoundError: No module named 'src'
      [end of output]

解决方式是从 future · PyPI 下载 future-x.xx.x.tar.gz 源码压缩包文件，然后解压后在 setup.py 文件开头（只要在问题代码行之前就可以）添加一行 sys.path.append('') 解决路径问题：

sys.path.append('')
import src.future

然后再执行 python setup.py install 命令完成安装。

问题3

在安装 webrtcvad 库可能会遇到下面的 Microsoft Visual Studio 14.0\\VC\\BIN\\x86_amd64\\cl.exe' failed with exit code 2 异常：

      pywebrtcvad.c
      cbits\pywebrtcvad.c(1): fatal error C1083: Cannot open include file: 'Python.h': No such file or directory
      error: command 'C:\\Program Files (x86)\\Microsoft Visual Studio 14.0\\VC\\BIN\\x86_amd64\\cl.exe' failed with exit code 2
      [end of output]

解决方式是从 Releases · PaddlePaddle/PaddleSpeech (github.com) 下载对应版本的源代码，然后解压压缩包，把 setup.py 文件里面依赖项列表中的 webrtcvad 替换成 webrtcvad-wheels：

base = [
    ....
    "webrtcvad-wheels",
    ....
]

然后在源代码目录下执行下面两个命令完成安装：

pip install pytest-runner
pip install .

模型选择

声学模型	声码器模型	语言	数据集	说话人ID	调用参数
FastSpeech2	HiFiGAN	中文	CSMSC	174	`am='fastspeech2_csmsc',voc='hifigan_csmsc',lang='zh',spk_id=174,`
FastSpeech2	HiFiGAN	英文	LJSpeech	175	`am='fastspeech2_ljspeech',voc='hifigan_ljspeech',lang='en',spk_id=175,`
FastSpeech2	WaveNet	中文	CSMSC	174	`am='fastspeech2_csmsc',voc='wavernn_csmsc',lang='zh',spk_id=174,`
SpeedySpeech	HiFiGAN	中文	CSMSC	174	`am='speedyspeech_csmsc',voc='hifigan_csmsc',lang='zh',spk_id=174,`
Tacotron2	HiFiGAN	中文	CSMSC	174	`am='tacotron2_csmsc',voc='hifigan_csmsc',lang='zh',spk_id=174,`
Tacotron2	HiFiGAN	英文	LJSpeech	175	`am='tacotron2_ljspeech',voc='hifigan_ljspeech',lang='en',spk_id=175,`

声学模型

参数 am = acoustic model = 声学模型，是把语言特征转成音频的声学特征。

FastSpeech2: 非自回归模型，简化 Tacotron2 模型的预训练工作，改用 MFA 指导 duration 预测，引入了 pitch、energy 预测辅助声学建模
SpeedySpeech: 另一个主流的声学模型，非自回归模型
Tacotron2: 使用了RNN结构，自回归模型，合成速度较慢

声码器

参数 voc = vocoder = 声码器，源自人声编码器的缩写，又称语音信号分析合成系统，对声音进行分析与合成的系统，主要应用于合成人类语音。声码器的主要功能是把声学特征转成可播放的语音波形。声码器的好坏直接决定了音频的音质高低。

HiFiGAN: 提出了一种残差结构，交替使用带洞卷积和普通卷积增大感受野，保证合成音质的同时，提高推理速度
WaveNet: 为了增大感受野，叠加带洞卷积，逐样本点生成，音质确实很好，但是也使得模型较大，推理速度较慢

数据集

CSMSC: 中文，单说话人，女声，约12小时，具有高音频质量
LJSpeech: 英文，单说话人，女声，约24小时，具有高音频质量

因为 PP-TTS 默认提供的是基于 FastSpeech2 声学模型和 HiFiGAN 声码器的流式语音合成系统，所以在无法理解相关理论时，直接选择前两个 FastSpeech2 + HiFiGAN 的调用参数就可以了。