ChatTTS要在本地跑吗?Windows本地部署语音合成的方法

试过在网页上合成语音，导出来的音频总带着平台的尾巴。想在自己电脑上跑，又卡在装依赖那步，满屏红字看不懂。

一、先把 Python 和 Git 准备好

ChatTTS 需要 Python 3.9 到 3.11。装 3.12 及以上版本时，部分依赖还没有预编译包，pip 会尝试本地编译然后失败，这是新手最常见的卡点。

到 python.org 下载 3.10 或 3.11 的 Windows 安装包，安装时务必勾上「Add python.exe to PATH」。装完打开 PowerShell，执行 python --version 和 pip --version，两条都能返回版本号才算成功。

Git 从 git-scm.com 下载安装，一路默认即可。装完执行 git --version 验证。有 NVIDIA 显卡的，去官网装最新的显卡驱动，ChatTTS 会自动检测并使用 CUDA，没有独立显卡也能用 CPU 跑，只是慢。

二、建虚拟环境，别装进系统 Python

所有依赖都装在虚拟环境里，出问题直接删目录重来，不会污染系统。选一个空间足够的盘，比如 D:\ai，在里面开终端：

python -m venv chattts-env
chattts-env\Scripts\activate

激活成功后命令行前面会多出 (chattts-env)。如果提示「无法加载文件，因为在此系统上禁止运行脚本」，先在 PowerShell 里执行 Set-ExecutionPolicy -Scope CurrentUser RemoteSigned，输入 Y 确认，再激活一次。

顺手把 pip 源换成国内镜像，装依赖会快很多：执行 pip config set global.index-url，后面接镜像地址（清华源的主机名是 pypi.tuna.tsinghua.edu.cn，路径加 /simple）。这一步不是必须，但能省下大量等待时间。

三、拉代码、装依赖，重点看三个包

在同一个终端里执行：

git clone 加上 ChatTTS 的仓库地址（2noise 维护的那个仓库）
cd ChatTTS
pip install -r requirements.txt

依赖里最关键的是 torch、torchaudio 和 vocos。有 N 卡的话，装 CUDA 版 torch 才能用上显卡加速：pip install torch torchaudio --index-url 后面接 PyTorch 官方给出的 cu121 索引地址。装完执行 python -c "import torch;print(torch.cuda.is_available())"，返回 True 说明显卡可用。

装依赖过程中如果卡在 Building wheel for ... 很久最后报错，多半是缺 C++ 编译环境。装一个「Microsoft C++ Build Tools」，勾选「使用 C++ 的桌面开发」再重试，或者干脆把 Python 换成 3.10 重新建环境。

首次运行会自动下载模型文件，体积约 1GB 出头，落在用户目录的缓存里。国内网络下载慢的话，可以先手动下载模型放到 %USERPROFILE%\.cache\huggingface\hub 对应目录下，再启动。

四、启动 WebUI，跑出第一段语音

官方仓库自带一个 Gradio 界面，最省事。在项目目录执行：

python examples/web/webui.py

首次启动要下载界面依赖并加载模型，等一两分钟，终端会打印一个 127.0.0.1:8080 这样的本机地址，浏览器打开就能用。文本框里输入要合成的内容，点 Generate 生成，右侧试听后点下载保存 wav。

显存不够时会报 CUDA out of memory。处理办法有三个：把长文本拆成短句分批合成；在代码里指定 chat.load(compile=False) 关掉编译优化；或者直接强制用 CPU：chat.load(device="cpu")，速度慢但不会爆显存。8GB 显存跑默认参数基本够用，4GB 建议用 CPU。

想要稳定音色，用 chat.sample_random_speaker() 生成一个 speaker 向量并保存下来，下次加载同一个向量，音色就固定了。不固定的话每次合成都是随机的，做系列音频会前后不一致。

五、批量合成与参数调优

做几十上百条音频时别用界面点，写个脚本循环调用。核心参数有三个：temperature 控制随机性，0.2 到 0.4 比较稳；top_P 取 0.7 左右；top_K 取 20。参数调太高会出现读音飘、语气怪的问题。

文本里可以插入 [uv_break] 表示停顿、[laugh] 表示笑声，用来控制节奏。中文长句建议按句号切开，每段不超过 40 字，合成后再用 ffmpeg 拼起来，音质和连贯性都更稳。

批量导出时用 torchaudio.save 直接写文件，采样率固定 24000，格式用 wav 无损，需要 mp3 再用 ffmpeg 转：ffmpeg -i in.wav -b:a 128k out.mp3。别在循环里反复 load 模型，模型加载一次放在循环外面，速度差好几倍。

六、常见问题

启动报 ModuleNotFoundError？确认终端前面有 (chattts-env)，说明虚拟环境没激活，依赖装到别处去了。重新激活后重装一次。

生成的声音像机器人、断句奇怪？把 temperature 降到 0.3，文本按标点切短，别一次塞几百字。音色向量也要固定，随机音色本身就容易出怪声。

能不能商用？开源协议是 AGPL，商用前先读仓库里的 LICENSE，涉及对外提供服务时 obligations 比较重，别拿去做付费产品。

先把 Python 版本降到 3.10，能省掉一大半装依赖的坑。跑通之后再折腾参数，一上来就调音色只会越调越乱。