autotrust/TTS-V1

中文语音合成：销售与客服四种声音

使用一个共享模型，选择销售男声、销售女声、客服男声或客服女声，生成 24 kHz 单声道 WAV。

参数	声音	示例
sales_male	销售男声	试听
sales_female	销售女声	试听
service_male	客服男声	试听
service_female	客服女声	试听

声音名称是根据试听用途和音高做的暂定命名。是否符合实际业务要求，请结合示例试听确认。

安装

Linux、Python 3.12。首先安装 PyTorch：CPU 用户安装 CPU 版本；NVIDIA 用户按显卡及驱动安装对应 CUDA 版本。再在本目录安装其他依赖：

python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
# 如需 CUDA，请先按 PyTorch 官网指引安装匹配版本的 torch
python -m pip install -r requirements.txt

已经测试：Python 3.12、torch 2.13.0、NumPy 2.3.5、soundfile 0.14.0、wetext 0.2.1。目录包含与模型适配的 Pocket TTS 推理代码；其他依赖组合和平台未验证。wetext 的安装包及其语音文本规范化资源可能需要联网安装。

合成语音

在本目录运行：

python synthesize.py --voice sales_female \
  --text '您好，您的订单金额是235.60元，预计2个工作日到账。' \
  --output result.wav

从文本文件读取：

python synthesize.py --voice service_male --text-file text.txt --output result.wav

可选 --device cuda 使用 NVIDIA GPU；默认 CPU。--attempts 16 控制每段最多尝试次数，--seed 3000 控制随机种子，--threads 2 控制 CPU 线程。输出文件若已存在，程序会拒绝覆盖。

脚本先将金额、日期、编号等规范化，再按标点及 token 长度切分，逐段合成。它会检查有效 EOS、基本音量和内部静音，并在失败时重新采样；若全部失败则报错，不写入最终文件。这些检查不能识别所有噪声、错字和数字误读；生成后仍需试听或做额外识别核对。尤其 service_male 的停止行为不稳定，可能需要多次尝试。

文件

model.safetensors   唯一共享模型（包含 FlowLM 和 Mimi）
config.yaml         模型架构配置
tokenizer.model     中文分词器
synthesize.py       合成命令行
tn.py               数字、日期和标点规范化
voices/             四段固定声音参考录音
demos/              四个长文本 WAV 示例
pocket_tts/         与模型适配的推理代码
MODEL_CARD.md       训练过程、评测与来源
requirements.txt    Python 依赖

模型权重及参考音频来源和发布条件见 MODEL_CARD.md。