如何把 TTS 服务作为 Mary-TTS 兼容 HTTP 后端接入现有语音工具？

如果你的屏幕阅读器、智能家居 HUB 或语音助手已经通过 HTTP 调用 Mary-TTS 接口，现在想换成更自然的神经语音，又不想改工具端的代码，可以把 TTS（Coqui TTS）作为 drop-in 替换：它的内置 demo server 带有一个 Mary-TTS 兼容层，实现了兼容工具通常依赖的三个核心端点 /locales、/voices 和 /process。这篇文章覆盖从安装、启动服务到逐端点验证的完整操作路径。前提是你已经装好 TTS，并能拿到一个 TTS 模型（官方发布的模型或自己训练的 checkpoint）。

Mary-TTS 兼容层实现了哪些端点

TTS 服务器不需要实现 Mary-TTS 的全部接口，Mary-TTS 兼容层文档指出兼容工具一般只需要以下三个端点：

• /locales（GET）：返回支持的语言列表，格式为 [locale]\n...，例如 en_US、de_DE 或 en；
• /voices（GET）：返回音色列表，格式为 [name] [locale] [gender]\n...，name 不能含空格，gender 传统上是 f 或 m；
• /process?INPUT_TEXT=[my text]&INPUT_TYPE=TEXT&LOCALE=[locale]&VOICE=[name]&OUTPUT_TYPE=AUDIO&AUDIO=WAVE_FILE（GET/POST）：处理输入文本并返回 wav 文件。INPUT_TYPE、OUTPUT_TYPE、AUDIO 还有其它取值，但兼容工具中通常写死。

准备与安装

安装方式见 安装文档，推理场景推荐 pip 安装：

pip install TTS

该文档给出的 Python 支持范围是 >=3.7 <3.11.0，而 setup.py 中实际声明的是 python_requires=">=3.9.0, <3.12"，两处范围不一致，建议以 setup.py 声明的新环境为准。从源码安装（git clone 后 make system-deps、make install）的说明同样在 安装文档 中。

安装通过 pip 完成后，可以直接使用终端命令 tts-server（由 setup.py 中的 console_scripts 入口点 tts-server = TTS.server.server:main 注册）；如果是在源码目录里工作，则直接运行 server 入口脚本。

启动服务并绑定 Mary-TTS 端口

先用 --list_models 列出官方发布的 TTS 与 vocoder 模型，再按格式 <language>/<dataset>/<model_name> 选择（来自 server README）：

python TTS/server/server.py --list_models

服务器端口的默认值是 5002（server.py 中 --port 参数默认值）。而经典 Mary-TTS 服务运行在 59125 端口，已有工具如果按 Mary-TTS 习惯配置了地址，就要在启动时显式把端口改过去：

python TTS/server/server.py \
  --model_name tts_models/en/ljspeech/tacotron2-DCA \
  --vocoder_name vocoder_models/en/ljspeech/multiband-melgan \
  --port 59125

如果不传 --model_name，服务会使用默认模型 tts_models/en/ljspeech/tacotron2-DDC。在有 GPU 的机器上，按 server README 的方式启用 CUDA：

CUDA_VISIBLE_DEVICES="0" python TTS/server/server.py \
  --model_name tts_models/en/ljspeech/tacotron2-DCA \
  --vocoder_name vocoder_models/en/ljspeech/multiband-melgan \
  --use_cuda True \
  --port 59125

服务启动后监听 host="::"（即全部网卡地址），局域网内的工具也能访问；--debug 可开启 Flask 调试模式，仅建议本地开发时使用。

可选分支：用自己的训练模型。server README 给出了用 checkpoint 启动的例子（--tts_checkpoint、--tts_config、--vocoder_checkpoint、--vocoder_config），但当前 server.py 的 argparse 实际定义的是 --model_path、--config_path、--vocoder_path、--vocoder_config_path 以及 --speakers_file_path（多说话人模型用）。两处参数名不一致，以 server.py 中实际存在的参数为准：

python TTS/server/server.py \
  --model_path /path/to/tts/model.pth \
  --config_path /path/to/tts/config.json \
  --vocoder_path /path/to/vocoder/model.pth \
  --vocoder_config_path /path/to/vocoder/config.json \
  --port 59125

其中 /path/to/... 替换为你自己的模型 checkpoint 与 config 文件路径。

逐个端点验证兼容层

服务在 localhost:59125 运行时，用 Mary-TTS 兼容层文档给出的 CURL 请求逐一测试。也可以把同样 URL 输入浏览器查看结果。

1. 检查语言端点：

curl http://localhost:59125/locales

文档示例返回当前激活模型的 locale，如 en。

2. 检查音色端点：

curl http://localhost:59125/voices

文档示例返回 glow-tts en u：名字取自模型名，locale 取自 --model_name 的语言段，gender 固定为 u（undefined，见下文限制）。

3. 检查合成端点，生成一个 wav 文件：

curl http://localhost:59125/process?INPUT_TEXT=this+is+a+test > test.wav

返回结果是一个可直接播放的 wav 文件（server.py 中以 mimetype="audio/wav" 发送）。/process 同时支持 POST，请求体按表单参数解析，工具端无论发 GET 还是 POST 都能命中该端点。

三个端点都按预期返回，即可把现有工具里 Mary-TTS 服务的地址指向 http://<服务器地址>:59125。

限制与边界

Mary-TTS 兼容层文档明确说明了这套实现是“可接受的妥协”，接入前需要知道：

• 同一时间只有一个活跃模型：/locales 和 /voices 只返回当前 --model_name 对应的 locale 和模型名（模型名会被当作 "voice"），而不是所有可用选项；
• /process 只读取 INPUT_TEXT 参数，LOCALE、VOICE、INPUT_TYPE、OUTPUT_TYPE、AUDIO 等参数会被忽略，输出始终是 WAV 文件；
• Coqui 模型没有定义 gender，/voices 中的 gender 恒为 u；
• 文档提到 API 未来可能扩展为同时支持多语言和多音色，当前版本不这样做。如果你的工具依赖按 LOCALE/VOICE 参数切换音色，这个兼容层无法满足。

更多端点细节以及 Mary-TTS 完整 API 的官方文档入口，参见 docs/source/marytts.md；服务器页面与配置示例见 TTS/server/README.md 与 conf.json。