智工坊博客

Appearance

MegaTTS3 是字节跳动开源的一个中英文语音克隆项目，效果相当不错。然而，官方的安装文档有些简略，尤其是在 Windows 系统上，许多用户反映安装困难。本教程旨在帮助大家解决这些问题，顺利在 Windows 上安装并使用 MegaTTS3。

开始之前，我们先来了解几个教程中会用到的基本概念：

  • CMD 控制台 (命令提示符)：
    • 如何打开：在你想要操作的文件夹（比如 D:/python/megatts3）的地址栏里，删掉原来的路径，输入 cmd 三个字母，然后按回车键。 打开CMD控制台
    • 作用：会弹出一个黑色的窗口，这就是 CMD 控制台。本教程中提到的所有 命令 都在这里输入并按回车执行。 CMD控制台示例
  • 执行命令：
    • 在 CMD 控制台里输入一行指定的文本（即“命令”），然后按下回车键。

首次安装与配置 ​

强烈建议：在 Windows 系统下使用 Miniconda 来部署 MegaTTS3，这能避免很多不必要的麻烦。以下教程均基于 Miniconda。 示例路径：本教程假设你的工作目录（安装 MegaTTS3 的地方）是 D:/python/megatts3。如果你的路径不同，请相应修改命令中的路径。

步骤一：安装 Miniconda ​

  1. 下载 Miniconda：

    • 用浏览器访问：https://www.anaconda.com/download/success#miniconda
    • 找到页面中的 Miniconda Installers 部分，点击下载链接。 在Miniconda Installers区域部分点击下载

  2. 安装 Miniconda：

    • 双击下载好的 .exe 安装文件。
    • 一路点击 Next，在许可协议页面点击 I Agree。 点击Next
    • 关键步骤：在选择安装选项时，务必勾选第二个复选框 "Add Miniconda3 to my PATH environment variable"。不用理会它旁边的红色警告文字，请务必勾选。 选中第一第二复选框
    • 继续点击 Next 或 Install 直至安装完成。

步骤二：下载 MegaTTS3 源代码 ​

  1. 访问官方仓库：

    • 打开网址 https://github.com/bytedance/MegaTTS3

  2. 下载代码：

    • 点击绿色的 <>Code 按钮，然后选择 Download ZIP。
    • 点击Download ZIP下载压缩包

  3. 解压并放置文件：

    • 解压下载的 MegaTTS3-main.zip 文件。
    • 将解压后 MegaTTS3-main 文件夹 里面 的所有文件和子文件夹，全部复制 到你准备好的工作目录，例如 D:/python/megatts3。 压缩包第二层中的所有文件
    • 复制完成后，D:/python/megatts3 文件夹内应包含 assets, checkpoints, tts 文件夹等。 正确解压复制后的文件列表

步骤三：创建并激活虚拟环境 ​

  1. 打开 CMD 控制台：

    • 进入你的工作目录 D:/python/megatts3。
    • 在地址栏输入 cmd 并回车。 打开CMD控制台

  2. 创建虚拟环境：

    • 在 CMD 控制台输入以下命令，创建一个名为 megatts3env 且使用 Python 3.10 的环境：
bash
conda create -n megatts3env python=3.10

执行命令创建虚拟环境 安装过程中，如果提示 Proceed ([y]/n)?，输入 y 然后按回车。 输入y，回车

  1. 激活虚拟环境：
    • 创建完成后，输入以下命令激活环境（以后每次运行 MegaTTS3 前都需要执行此步骤激活虚拟环境）：
bash
conda activate megatts3env

激活环境

激活成功后，命令行提示符前会显示 (megatts3env)字样。

激活后开头会有(megatts3env)字符

注意：以下所有安装和运行命令，都必须在已激活 (megatts3env) 环境的 CMD 控制台中执行！

步骤四：安装依赖库 ​

特别注意：直接按照官方仓库文档在 Windows 上安装通常会失败。请务必严格按照以下顺序执行命令。

  1. 安装 pynini：

    • 在 已激活 的 CMD 控制台中输入并执行：
      bash
      conda install -y -c conda-forge pynini==2.1.5
    • 等待命令执行完成。

  2. 安装 WeTextProcessing 1.0.3：

    • 继续在 CMD 控制台中输入并执行：
      bash
      pip install WeTextProcessing==1.0.3
    • 等待命令执行完成。

  3. 修改 requirements.txt 并安装剩余依赖：

    • 用记事本或其他文本编辑器打开工作目录 (D:/python/megatts3) 下的 requirements.txt 文件。
    • 找到并 删除 包含 WeTextProcessing==1.0.4.1 的那一行。
    • 保存并关闭文件。
    • 回到 CMD 控制台，执行以下命令来安装其余的依赖项：
      bash
      pip install -r requirements.txt

必须删掉这行，否则必定报错

  1. 设置环境变量：
    • 将下面这行命令完整复制粘贴到 CMD 控制台，然后按回车执行。注意：如果你安装目录不是 D:/python/megatts3，请修改命令中的路径为你自己的实际路径。
      bash
      conda env config vars set PYTHONPATH="D:/python/megatts3;%PYTHONPATH%"
    • 设置成功后，你需要 关闭当前 CMD 窗口，然后重新打开一个新的 CMD 窗口，并重新激活环境 conda activate megatts3env，这样环境变量才会生效。

检查：如果以上步骤均未报错（忽略一些黄颜色警告信息 WARN），则依赖环境安装成功。如果遇到红色报错，请仔细检查是否严格按照顺序执行，特别是是否正确修改了 requirements.txt 文件。

安装完成

步骤五：下载预训练模型 ​

提示：模型文件托管在 Hugging Face Hub，国内访问无法访问，必须科学上网。

  • 再次确保你的 CMD 控制台处于 已激活 (megatts3env) 状态。
  • 执行以下命令下载模型文件到工作目录下的 checkpoints 文件夹：
    bash
    huggingface-cli download ByteDance/MegaTTS3 --local-dir ./checkpoints --local-dir-use-symlinks False
  • 耐心等待下载完成。 模型下载中

步骤六：(可选) 添加 GPU 加速支持 ​

如果你的电脑配备了 NVIDIA 显卡，并且已经安装了 CUDA 12.x 版本，可以通过安装 GPU 版本来加速语音合成。

  • 确保 CMD 控制台已激活 (megatts3env)。
  • 执行以下命令：
bash
    pip install --force-reinstall torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

到这里，所有的安装和配置工作就完成了！

启动 MegaTTS3 Web 服务 ​

每次你想使用 MegaTTS3 时，都需要按以下步骤启动。

  1. 打开 CMD 控制台：

    • 进入你的 MegaTTS3 工作目录 (例如 D:/python/megatts3)。
    • 在地址栏输入 cmd 并回车。

  2. 激活虚拟环境：

    • 执行命令：conda activate megatts3env先激活环境再启动

  3. (建议) 修改 Gradio 监听地址：

    • 首次启动前强烈建议执行此步骤：用代码编辑器或记事本打开文件 D:\python\megatts3\tts\gradio_api.py
    • 滚动到文件末尾，找到 server_name="0.0.0.0" 修改为 server_name="127.0.0.1"。
    • 原因：在 Windows 上使用 0.0.0.0 可能导致输出大量无关错误信息，甚至启动失败。修改为 127.0.0.1 通常更稳定。
    • 修改后保存文件。

修改0.0.0.0为127.0.0.1

正确修改后

  1. 启动程序：
    • 在已激活的 CMD 控制台中执行：
      bash
      python tts/gradio_api.py
  • 如果启动成功，你会在 CMD 控制台中看到类似下面的输出，提示服务正在运行： 启动成功后的画面

  1. 访问 Web 界面：

    • 在你的浏览器中打开这个地址 http://127.0.0.1:7929。 在浏览器中打开

使用 MegaTTS3 进行语音克隆 ​

理解音色来源 ​

MegaTTS3 目前是一个 “半开源” 项目。这意味着你 不能 克隆任意你提供的声音样本。你 只能 使用字节跳动官方预先处理并公布在特定页面的音色（latents）。

  • 官方解释：这样做是出于安全和法律法规的考虑。
  • 如果想克隆自己的声音：你需要按照官方指定的方式提交你的音频，等待他们审核通过并放在 Latents 页面后，才能下载使用。（具体方法见下文）

下载可用的音色文件 ​

  1. 访问 Google Drive 文件夹：

    • 你需要科学上网访问 Google 服务并拥有一个Google账号（若没有可免费注册）。
    • 打开网址(即latens页面)：https://drive.google.com/drive/folders/1QhcHWcy20JfqWjgqZX1YM3I6i9u4oNlr
    • 这里有三个子文件夹 (librispeech_testclean_40, official_test_case, user_batch_1-3)，包含了所有当前可用的音色。

  2. 选择并下载文件：

    • 进入任意一个文件夹，浏览里面的 .wav 音频文件，试听并选择你想要克隆的音色(wav文件上右键-打开方式-预览，可试听)。 进入文件夹选择想克隆的音色wav文件上右键-打开方式-预览，可试听
    • 重要：当你决定下载某个 .wav 文件（例如 speaker_xxx.wav）时，必须同时下载同名的 .npy 文件（即 speaker_xxx.npy）。这两个文件是配对使用的，缺一不可。 下载某个wav后，必须再下载同名的npy文件
    • 将下载好的 .wav 和 .npy 文件保存在你的电脑上。

在 Web 界面合成语音 ​

  1. 打开 Web 界面：

    • 确保 MegaTTS3 服务正在运行，并在浏览器中打开 http://127.0.0.1:7929。

  2. 上传音色文件：

    • 在页面上找到上传区域。
    • 点击 "Upload.wav" 区域，选择你刚才下载的 .wav 文件。
    • 点击 "Upload.npy" 区域，选择与 .wav 文件同名的那个 .npy 文件。web界面使用

  3. 输入文本并合成：

    • 在 "Input Text" 输入框中，输入你想要让这个声音朗读的中文或英文文字。
    • 点击 "Submit" 按钮执行。

  4. 获取结果：

    • 等待一小段时间，合成过程会在后台进行。
    • 完成后，右上角可以直接播放生成的语音，或者找到下载按钮将其保存为音频文件。

现在你已经成功在 Windows 上安装并使用 MegaTTS3 进行语音克隆了！

上传自己想克隆的音色 ​

如果你希望克隆的音色不存在，可以自行上传

  1. 首先将你希望克隆音色音频文件，转为wav格式音频，时长不要超过24秒，建议5-24秒内
  2. 必须保证音频内容合法、不侵犯版权，并且无背景噪声、发音清晰、一个说话人
  3. 打开该网址https://drive.google.com/drive/folders/1gCWL1y_2xu9nIFhUX_OW5MbcFuB7J5Cl ,将你整理好的wav文件拖拽进去，然后等待审核通过后即可使用了。

拖拽上传

字节审核通过后，会创建同名的npy文件，然后将wav和npy都放进上文所提的latens页面的user_batch_1-3文件夹内，然后你就可以下载这个wav文件以及同名npy文件来克隆了。