CapSpeech项目快速使用指南：从安装到多模型实践

项目概述

CapSpeech是一套先进的文本转语音(TTS)系统，提供多种特色语音合成模型，能够根据文本内容和丰富的描述性标注生成高质量、富有表现力的语音。该项目包含多个特色模型，每个模型都针对特定语音合成场景进行了优化。

环境安装

在Linux系统上，推荐使用conda创建独立的Python环境来运行CapSpeech：

conda create -n capspeech python=3.10
conda activate capspeech
pip install CapSpeech

安装完成后，系统会自动下载预训练模型检查点。首次运行时可能需要较长时间，这属于正常现象。

核心模型使用指南

1. 基础语音合成模型(CapTTS)

CapTTS是项目的核心语音合成模型，能够根据文本内容和语音描述生成自然流畅的语音。

使用示例：

python scripts/captts.py \
    --task "CapTTS" \
    --transcript "使用中性代词hir或ze作为性别中立代词？" \
    --caption "一位男性说话者以有节制的语速表达，在干净的环境中展现出高音调、快乐且生动的语气。" \
    --output_path "./demo/test_captts.wav"

参数说明：

• --seed：设置随机种子，确保结果可复现
• --random：每次生成不同的语音样本
• --duration：调整语音时长

2. 带音效的语音合成模型(CapTTS-SE)

CapTTS-SE在基础语音合成上增加了环境音效功能，支持两种音效模式：

插入模式示例：

python scripts/captts-se.py \
    --transcript "<狗叫声> 这时布兰登小姐和她出色的表妹瑞秋一起进来了<插入开始> <插入结束>" \
    --caption "一位年轻女性以中等语速说话，声音略带单调。值得注意的是，她保持着高音调，使她的演讲带有一种专注的决心。" \
    --output_path "./demo/test_capttsse.wav"

背景模式示例：

<掌声> 我知道玛格丽特·博尔顿带着半焦虑的微笑说<背景开始> 这与所有朋友的方式相抵触<背景结束> 但你会怎么做

支持的标准音效标签包括：狗叫、猫叫、咳嗽、笑声、掌声、脚步声等10余种常见环境音效。

3. 带口音的语音合成模型(AccCapTTS)

AccCapTTS专门针对不同地域口音的语音合成进行了优化，能够生成带有特定口音的语音。

使用示例：

python scripts/captts.py \
    --task "AccCapTTS" \
    --transcript "这是一个整体赤字的行业，需要采取紧急行动。" \
    --caption "一位带有印度口音的职业女性声音，用于客户和公众互动。" \
    --output_path "./demo/test_acccaptts.wav"

4. 情感语音合成模型(EmoCapTTS)

EmoCapTTS专注于情感表达，能够生成带有特定情感的语音，如愤怒、喜悦、厌恶等。

使用示例：

python scripts/captts.py \
    --task "EmoCapTTS" \
    --transcript "为什么你的车闻起来像只死老鼠？这简直令人作呕。" \
    --caption "一位中年女性以低沉、单调的声音说话，她的言语中充满了厌恶和恼怒。" \
    --output_path "./demo/test_emocaptts.wav"

5. 智能体语音合成模型(AgentTTS)

AgentTTS专为虚拟助手和对话系统设计，能够生成更加自然、富有亲和力的语音。目前该模型正在进行安全验证，即将公开发布。

使用建议

1. 对于初次使用者，建议从基础CapTTS模型开始体验
2. 描述性文本(caption)越详细，生成的语音表现力越丰富
3. 可以通过调整seed值来获取同一文本的不同语音表现
4. 音效标签需严格按照指定格式使用，确保尖括号和标签名称正确
5. 情感描述应当与文本内容相匹配，以获得最佳效果

常见问题

Q：生成的语音不自然怎么办？ A：尝试调整描述文本，增加更多细节，如语速、音调、情感状态等。

Q：如何控制语音长度？ A：使用--duration参数，数值越大语音越长。

Q：音效没有正确插入怎么办？ A：检查标签格式是否正确，特别是<I_start> <I_end>或<B_start> <B_end>的位置。

CapSpeech项目为开发者提供了一套功能强大且灵活的语音合成工具，通过合理组合各种模型和参数，可以满足从基础语音合成到复杂场景应用的各类需求。