docs:添加火山双向流式TTS+声音克隆配置教程

2026-07-22 07:03:53 +08:00 · 2025-09-04 16:37:28 +08:00
parent b3a6ae2441
commit 67e07c916e
2 changed files with 35 additions and 13 deletions
@@ -0,0 +1,29 @@
+# 火山双向流式TTS+声音克隆配置教程
+单模块部署下，使用火山引擎双向流式语音合成服务的同时进行声音克隆，支持WebSocket协议流式调用。
+### 1.开通火山引擎服务
+访问 https://console.volcengine.com/speech/app  在应用管理创建应用，勾选语音合成大模型和声音复刻大模型，左边列表点击声音复刻大模型后下滑获得App Id，Access Token，Cluster ID以及声音ID(S_xxxxx)
+### 2.克隆音色
+克隆音色请参照教程 https://github.com/104gogo/huoshan-voice-copy 
+
+准备一段 10-30 秒的音频文件（.wav格式）添加到克隆的项目中，将平台获得的密钥填入```uploadAndStatus.py```和```tts_http_demo.py```
+
+在uploadAndStatus.py中，将 audio_path=修改成自己的.wav文件名称
+```python
+train(appid=appid, token=token, audio_path=r".\audios\xiaohe.wav", spk_id=spk_id)
+```
+
+运行以下命令生成test_submit.mp3，点击播放试听克隆效果
+
+```python
+python uploadAndStatus.py
+python tts_http_demo.py
+```
+回到火山引擎控制台页面，刷新可以看到声音复刻详情的状态是复刻成功。
+### 3.填写配置文件
+将火山引擎服务申请到的密钥填入.config.yaml的HuoshanDoubleStreamTTS配置文件中
+
+修改 resource_id的参数为``` volc.megatts.default``` 
+（参考官方文档 https://www.volcengine.com/docs/6561/1329505）
+speaker的参数填入声音ID(S_xxxxx)
+
+启动服务，唤醒小智发出的声音是克隆的音色即成功。
@@ -462,21 +462,14 @@ class TTSProvider(TTSProviderBase):
                        logger.bind(tag=TAG).debug(
                            f"推送数据到队列里面帧数～～{len(opus_datas)}"
                        )
-                        if is_first_sentence:
-                            first_sentence_segment_count += 1
-                            if first_sentence_segment_count <= 6:
-                                self.tts_audio_queue.put(
-                                    (SentenceType.MIDDLE, opus_datas, None)
-                                )
-                            else:
-                                opus_datas_cache.extend(opus_datas)
-                        else:
-                            # 后续句子缓存
-                            opus_datas_cache.extend(opus_datas)
+                        # 优化：对于第一句话，不进行缓存，立即推送到队列
+                        self.tts_audio_queue.put(
+                            (SentenceType.MIDDLE, opus_datas, None)
+                        )
                    elif res.optional.event == EVENT_TTSSentenceEnd:
                        logger.bind(tag=TAG).info(f"句子语音生成成功：{self.tts_text}")
-                        if not is_first_sentence or first_sentence_segment_count > 10:
-                            # 发送缓存的数据
+                        # 优化：如果有缓存的数据，立即发送
+                        if opus_datas_cache:
                            self.tts_audio_queue.put(
                                (SentenceType.MIDDLE, opus_datas_cache, None)
                            )