Auralis
Auralis 是一款专注于极速生成的开源文本转语音(TTS)引擎,旨在将文字高效转化为自然流畅的语音,并支持声音克隆功能。它主要解决了传统 TTS 工具处理长文本时速度慢、耗时久以及对参考音频质量要求苛刻的痛点。借助智能批处理技术,Auralis 能在普通消费级显卡上运行,甚至能以约 0.02 倍的实时因子,在短短几分钟内完成整本小说的语音合成,同时自动增强低质量录音的清晰度并降低背景噪音。
这款工具非常适合开发者、研究人员以及需要批量制作有声内容的内容创作者使用。它不仅提供了简洁易用的 Python API 和兼容 OpenAI 标准的服务器接口,方便集成到各类应用中,还支持流式输出长文本和多请求并行处理。其独特的技术亮点包括对 XTTSv2 模型的深度优化、自动语言检测、内置音频预处理(如静音修剪、音量标准化),以及允许用户轻松转换并使用自定义微调模型的能力。无论是构建实时语音助手,还是大规模生产有声书,Auralis 都能以极高的效率和优异的音质满足需求。
使用场景
一家小型有声书工作室急需将一本 20 万字的奇幻小说在 48 小时内转化为高质量音频,并需模仿主角的独特声线以保持一致性。
没有 Auralis 时
- 生成效率极低:传统 TTS 引擎处理整本小说需要数天甚至数周,完全无法应对紧急交付需求。
- 录音门槛高:用于声音克隆的参考音频若带有背景噪音或设备一般,合成效果会严重失真,必须重新录制干净样本。
- 硬件资源受限:长文本处理极易占满消费级显卡显存,导致任务频繁崩溃,不得不分批手动切割文本。
- 并发能力弱:无法同时处理多个章节或不同角色的生成请求,只能串行排队,进一步拉长工期。
使用 Auralis 后
- 极速批量处理:凭借约 0.02x 的实时因子,Auralis 能在 10 分钟内完成整本书的语音合成,轻松赶上截止期限。
- 自动音频增强:即使使用普通麦克风录制的参考音,Auralis 也能自动降噪并提升清晰度,完美复刻角色声线。
- 显存优化稳定:通过智能批处理和并发配置,Auralis 在普通消费者显卡上即可流畅运行,无需担心内存溢出。
- 并行流式输出:支持多请求并行处理与长文本流式生成,团队可同时推进多个章节制作,大幅缩短整体流程。
Auralis 将原本需要数周的高成本有声书制作流程压缩至分钟级,让小型团队也能以极低成本实现电影级的语音产出。
运行环境要求
- 未说明
需要 GPU(文中提及可在消费级 GPU 上运行且无内存问题),具体型号、显存大小及 CUDA 版本未说明
未说明(文中提及可配置为小内存占用)

快速开始
Auralis 🌌 (/auˈralis/)
以超高速将文本转换为自然语音(支持语音克隆)。只需几分钟即可处理整部小说,而无需耗费数小时。
什么是Auralis?🚀
Auralis是一款文本转语音引擎,使语音生成在实际应用中更加可行:
- 在10分钟内将《哈利·波特》第一本书全文转换为语音(实时因子约为0.02x!)
- 自动提升参考音频质量,即使使用低质量麦克风录制的音频也能进行注册!
- 可配置为占用较小内存(scheduler_max_concurrency)
- 同时处理多个请求
- 支持长文本分段流式传输
快速入门⭐
创建一个新的Conda环境:
conda create -n auralis_env python=3.10 -y激活环境:
conda activate auralis_env安装Auralis:
pip install auralis
然后您可以通过 python 来试用:
from auralis import TTS, TTSRequest
# 初始化
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
# 生成语音
request = TTSRequest(
text="你好,地球!这里是Auralis在说话。",
speaker_files=['reference.wav']
)
output = tts.generate_speech(request)
output.save('hello.wav')
或者通过兼容OpenAI协议的服务器使用 cli:
auralis.openai --host 127.0.0.1 --port 8000 --model AstraMindAI/xttsv2 --gpt_model AstraMindAI/xtts2-gpt --max_concurrency 8 --vllm_logging_level warn
核心功能 🛸
速度与效率
- 使用智能批处理快速处理长文本
- 可在消费级GPU上运行,不会出现内存问题
- 支持多请求并行处理
易于集成
- 简单的Python API
- 支持长文本流式传输
- 内置音频增强功能
- 自动语言检测
音质
- 从短样本进行语音克隆
- 背景降噪
- 提升语音清晰度
- 音量归一化
XTTSv2微调模型
您可以将自己的XTTSv2微调模型直接使用,只需将其从标准的Coqui检查点格式转换为我们的Safetensors格式。请使用 此脚本:
python checkpoint_converter.py path/to/checkpoint.pth --output_dir path/to/output
它会生成两个文件夹,一个包含核心XTTSv2检查点,另一个包含GPT2组件。然后您可以创建一个TTS实例:
tts = TTS().from_pretrained("som/core-xttsv2_model", gpt_model='some/xttsv2-gpt_model')
示例与用法🚀
基础示例⭐
简单文本生成
from auralis import TTS, TTSRequest
# 初始化
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
# 基本生成
request = TTSRequest(
text="你好,地球!这里是Auralis在说话。",
speaker_files=["speaker.wav"]
)
output = tts.generate_speech(request)
output.save("hello.wav")
使用TTSRequest🎤
# 基本请求
request = TTSRequest(
text="Hello world!",
speaker_files=["speaker.wav"]
)
# 增强音频处理
request = TTSRequest(
text="纯净的音质",
speaker_files=["speaker.wav"],
audio_config=AudioPreprocessingConfig(
normalize=True,
trim_silence=True,
enhance_speech=True,
enhance_amount=1.5
)
)
# 语言特定请求
request = TTSRequest(
text="Bonjour le monde!",
speaker_files=["speaker.wav"],
language="fr"
)
# 流式传输配置
request = TTSRequest(
text="非常长的文本...",
speaker_files=["speaker.wav"],
stream=True,
)
# 生成参数
request = TTSRequest(
text="创意变体",
speaker_files=["speaker.wav"],
temperature=0.8,
top_p=0.9,
top_k=50
)
使用TTSOutput🎧
# 加载音频文件
output = TTSOutput.from_file("input.wav")
# 格式转换
output.bit_depth = 32
output.channel = 2
tensor_audio = output.to_tensor()
audio_bytes = output.to_bytes()
# 音频处理
resampled = output.resample(target_sr=44100)
faster = output.change_speed(1.5)
num_samples、sample_rate、duration = output.get_info()
# 组合多个输出
combined = TTSOutput.combine_outputs([output1、output2、output3])
# 播放和保存
output.play() # 播放音频
output.preview() # 智能播放(Jupyter/系统)
output.save("processed.wav", sample_rate=44100)
同步高级示例🌟
批量文本处理
# 处理多段相同声音的文本
texts = ["第一段。"、"第二段。"、"第三段。"]
requests = [
TTSRequest(
text=text,
speaker_files=["speaker.wav"]
) for text in texts
]
# 顺序处理并显示进度
outputs = []
for i、req in enumerate(requests、1):
print(f"正在处理第{i}篇/{len(requests)}")
outputs.append(tts.generate_speech(req))
# 组合所有输出
combined = TTSOutput.combine_outputs(outputs)
combined.save("combined_output.wav")
处理书籍章节
def process_book(chapter_file: str、speaker_file: str):
# 读取章节
with open(chapter_file、'r') as f:
chapter = f.read()
# 您可以传入整本书,Auralis会自动分段处理
request = TTSRequest(
text=chapter,
speaker_files=[speaker_file],
audio_config=AudioPreprocessingConfig(
enhance_speech=True,
normalize=True
)
)
output = tts.generate_speech(request)
output.play()
output.save("chapter_output.wav")
异步示例 🛸
基本异步生成
import asyncio
from auralis import TTS, TTSRequest
async def generate_speech():
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
request = TTSRequest(
text="Async generation example",
speaker_files=["speaker.wav"]
)
output = await tts.generate_speech_async(request)
output.save("async_output.wav")
asyncio.run(generate_speech())
并行处理
async def generate_parallel():
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
# 创建多个请求
requests = [
TTSRequest(
text=f"This is voice {i}",
speaker_files=[f"speaker_{i}.wav"]
) for i in range(3)
]
# 并行处理
coroutines = [tts.generate_speech_async(req) for req in requests]
outputs = await asyncio.gather(*coroutines, return_exceptions=True)
# 处理结果
valid_outputs = [
out for out in outputs
if not isinstance(out, Exception)
]
combined = TTSOutput.combine_outputs(valid_outputs)
combined.save("parallel_output.wav")
asyncio.run(generate_parallel())
多请求异步流式传输
async def stream_multiple_texts():
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
# 准备流式请求
texts = [
"First long text...",
"Second long text...",
"Third long text..."
]
requests = [
TTSRequest(
text=text,
speaker_files=["speaker.wav"],
stream=True,
) for text in texts
]
# 并行处理流
coroutines = [tts.generate_speech_async(req) for req in requests]
streams = await asyncio.gather(*coroutines)
# 收集输出
output_container = {i: [] for i in range(len(requests))}
async def process_stream(idx, stream):
async for chunk in stream:
output_container[idx].append(chunk)
print(f"Processed chunk for text {idx+1}")
# 处理所有流
await asyncio.gather(
*(process_stream(i, stream)
for i, stream in enumerate(streams))
)
# 保存结果
for idx, chunks in output_container.items():
TTSOutput.combine_outputs(chunks).save(
f"text_{idx}_output.wav"
)
asyncio.run(stream_multiple_texts())
核心类 🌟
TTSRequest - 统一的请求容器,带音频增强功能 🎤
@dataclass
class TTSRequest:
"""TTS 推理请求数据的容器"""
# 请求元数据
text: Union[AsyncGenerator[str, None], str, List[str]]
speaker_files: Union[List[str], bytes] # 发声人音频文件路径
enhance_speech: bool = True
audio_config: AudioPreprocessingConfig = field(default_factory=AudioPreprocessingConfig)
language: SupportedLanguages = "auto"
request_id: str = field(default_factory=lambda: uuid.uuid4().hex)
load_sample_rate: int = 22050
sound_norm_refs: bool = False
# 声音调节参数
max_ref_length: int = 60
gpt_cond_len: int = 30
gpt_cond_chunk_len: int = 4
# 生成参数
stream: bool = False
temperature: float = 0.75
top_p: float = 0.85
top_k: int = 50
repetition_penalty: float = 5.0
length_penalty: float = 1.0
do_sample: bool = True
示例
# 基本用法
request = TTSRequest(
text="Hello world!",
speaker_files=["reference.wav"]
)
# 自定义音频增强
request = TTSRequest(
text="Hello world!",
speaker_files=["reference.wav"],
audio_config=AudioPreprocessingConfig(
normalize=True,
trim_silence=True,
enhance_speech=True,
enhance_amount=1.5
)
)
# 流式传输长文本
request = TTSRequest(
text="Very long text...",
speaker_files=["reference.wav"],
stream=True,
)
特性
- 自动语言检测
- 音频预处理与增强
- 灵活的输入处理(字符串、列表、生成器)
- 可配置的生成参数
- 缓存以提高处理效率
TTSOutput - 统一的音频处理输出容器 🎧
@dataclass
class TTSOutput:
array: np.ndarray
sample_rate: int
方法
格式转换
output.to_tensor() # → torch.Tensor
output.to_bytes() # → bytes (wav/raw)
output.from_tensor() # → TTSOutput
output.from_file() # → TTSOutput
音频处理
output.combine_outputs() # 合并多个输出
output.resample() # 更改采样率
output.get_info() # 获取音频属性
output.change_speed() # 修改播放速度
文件与播放
output.save() # 保存到文件
output.play() # 播放音频
output.display() # 在 Jupyter 中显示
output.preview() # 智能播放
示例
# 加载和处理
output = TTSOutput.from_file("input.wav")
output = output.resample(target_sr=44100)
output.save("output.wav")
# 合并多个输出
combined = TTSOutput.combine_outputs([output1, output2, output3])
# 改变播放速度
faster = output.change_speed(1.5)
语言 🌍
XTTSv2 支持:英语、西班牙语、法语、德语、意大利语、葡萄牙语、波兰语、土耳其语、俄语、荷兰语、捷克语、阿拉伯语、简体中文、匈牙利语、韩语、日语、印地语
性能详情 📊
在 NVIDIA 3090 上的处理速度:
- 短句(< 100 字):~1 秒
- 中等文本(< 1000 字):~5-10 秒
- 完整书籍(~50 万字 @ 并发 36):~10 分钟
内存使用情况:
- 基础:~2.5GB VRAM,并发 = 1
- ~5.3GB VRAM,并发 = 20
Gradio

贡献
加入我们的社区!
我们欢迎并感谢对本项目的所有贡献!为确保流程顺畅高效,请花点时间阅读我们的贡献指南。遵循这些指南将有助于我们快速审核并接受您的贡献。感谢您的支持!
了解更多 🔭
许可证
代码库采用 Apache 2.0 许可证发布,您可以自由地在自己的项目中使用。
XTTSv2 模型(以及 auralis/models/xttsv2/components/tts 目录下的文件)采用 Coqui AI 许可证 许可。
版本历史
v0.2.8.post22024/12/160.2.8.post12024/12/150.2.82024/12/140.2.7.post12024/12/09常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器