TTS WebUI

安装

使用安装程序（推荐）

当前基础安装大小约为10.7 GB。每个模型还需要额外的2-8 GB空间。

• 下载最新版本并解压。
• 运行 start_tts_webui.bat 或 start_tts_webui.sh 启动服务器。它会提示您选择使用的 GPU/芯片。安装完成后，Gradio 服务器将在 http://localhost:7770 上启动，React UI 将在 http://localhost:3000 上启动。
• 输出日志将保存在 installer_scripts/output.log 文件中。
• 注意：启动脚本会设置一个 conda 环境和一个 Python 虚拟环境。因此，在此之前无需创建 venv；实际上，从其他 venv 启动可能会导致该脚本无法正常运行。

手动安装

先决条件：

• git
• Python 3.10 或 3.11（暂不支持 3.12）
• PyTorch
• ffmpeg（支持 vorbis 编码）
• （可选）NodeJS 22.9.0 用于 React UI
• SQLite（随 Python 附带）用于数据库支持

1. 克隆仓库：

   git clone https://github.com/rsxdalv/tts-webui.git
   cd tts-webui
   

2. 安装所需包：

   pip install -r requirements.txt
   

3. 运行服务器：

   python server.py --no-react
   

4. 对于 React UI：

   cd react-ui
   npm install
   npm run build
   cd ..
   python server.py
   

有关详细的手动安装说明，请参阅手动安装指南。

Docker 设置

tts-webui 也可以在 Docker 容器中运行。在 Docker 中使用 CUDA 需要 NVIDIA Container Toolkit。要开始使用，可以从 GitHub Container Registry 拉取镜像：

docker pull ghcr.io/rsxdalv/tts-webui:main

镜像拉取完成后，可以使用 Docker Compose 启动容器：

端口分别为 7770（环境变量：TTS_PORT）用于 Gradio 后端，以及 3000（环境变量：UI_PORT）用于 React 前端。

docker compose up -d

容器需要一些时间来生成第一个输出，因为模型会在后台下载。可以通过查看容器日志来确认下载状态：

docker logs tts-webui

自己构建镜像

如果您希望自行构建 Docker 容器，可以使用附带的 Dockerfile：

docker build -t tts-webui .

请注意，需要编辑 docker-compose 文件以使用您刚刚构建的镜像。

更改记录

四月：

• 在依赖项中添加 torchcodec CPU
• 将 PyTorch 升级至 2.11.0
• 将 TorchAudio 锁定版本更新至 2.7.0

三月：

• 新特性：Next.js 从 13.5 升级至 16.2.1

十二月：

• 修复了一些小错误并进行了改进
• 重构：将 bark 配置加载提取到 WebUI 的独立函数中
• 杂项：从 tts-webui 中移除 postgres，因为它是一个对大多数用户来说不必要的重型依赖
• 新特性：添加数据库 API 服务器，用于管理生成的音频文件和元数据

十一月：

• 使用 iframe 直接在 Gradio UI 中添加扩展市场
• 将 voices-tortoise 移至 voices/tortoise/（并将 maha-tts 移至 voices/maha_tts/）
• 新特性：为 tts_webui 模块添加全面的测试套件
• 新特性：为扩展市场添加安装按钮
• 新特性：在扩展管理 UI 中添加检查依赖项的按钮
• 新特性（命令行）：添加 extension-manager 命令以启动 GUI 工具
• 杂项：从 Google Colab 中移除 uv
• 杂项：将日志目录移动到 installer_scripts/logs/
• 新特性：添加通过 config.json 禁用装饰性扩展的功能

十月：

• 将 Gradio 更新至 5.49.1
• 将 @gradio/client 更新至 1.19.1
• 修复 Chatterbox 安装问题、路径问题以及 Silly Tavern 中的流媒体错误
• 创建新的扩展类别——对话式 AI
• 重新组织环境变量，引入新的 dotenv 管理器
• 将更多 UI 功能转换为扩展，并简化基础服务器
• 为 OpenAI TTS API 扩展添加 API_KEY
• 新特性：支持新的扩展格式——tabsInGroups
• 新特性：添加外部扩展安装程序，用于通过 JSON 管理和安装外部扩展
• 新特性：在文档和安装程序 UI 中添加指向 TTS WebUI 扩展目录的链接
• 新特性：添加日志查看器扩展，用于查看和管理日志文件

历史变更

有关 2025 年的详细变更列表，请参阅2025 年更改记录。

有关 2024 年的详细变更列表，请参阅2024 年更改记录。

有关 2023 年的详细变更列表，请参阅2023 年更改记录。

扩展

扩展可以直接从 WebUI 或 React UI 安装，也可以使用扩展管理器或外部扩展安装程序（一个内置工具，用于通过 JSON 添加自定义扩展）进行安装。

在内部，扩展只是使用 pip 安装的 Python 包。可以同时安装多个扩展，但它们之间可能存在兼容性问题。安装或更新扩展后，需要重启应用才能加载。

有关社区创建的精选扩展列表，请访问TTS WebUI 扩展目录。您还可以在那里找到有关发布您自己的扩展的信息。

更新需要通过迷你控制面板手动完成：

集成

Silly Tavern

1. 将 OpenAI TTS API 扩展更新至最新版本

2. 启动 API 并使用 Python Requests 测试

   (OpenAI 客户端可能未安装，因此使用 Python OpenAI 客户端测试可能会失败)

3. 当您成功生成音频时，前往 Silly Tavern 并添加一个新的 TTS API 默认提供商端点：http://localhost:7778/v1/audio/speech

4. 试试看！

Text Generation WebUI (oobabooga/text-generation-webui)

1. 在 text-generation-webui 中安装 https://github.com/rsxdalv/text-to-tts-webui 扩展
2. 启动 API 并使用 Python Requests 测试
3. 使用面板进行配置：

OpenWebUI

1. 在 TTS WebUI 中启用 OpenAI API 扩展
2. 启动 API 并使用 Python Requests 测试
3. 当您成功生成音频时，前往 OpenWebUI 并添加一个新的 TTS API 默认提供商端点：http://localhost:7778/v1/audio/speech
4. 试试看！

OpenAI 兼容 API

按照上述说明，您可以安装一个 OpenAI 兼容的 API，并将其与 Silly Tavern 或其他 OpenAI 兼容客户端一起使用。

兼容性 / 错误

控制台中的红色消息

这些消息：

---- 需要 ----，但您安装了 ----，两者不兼容。

是完全正常的。这既是 pip 的局限性，也是因为这个 Web UI 将许多不同的 AI 项目整合在一起。由于这些项目之间并不总是相互兼容的，它们会抱怨其他已安装的项目。这是正常且预期的现象。最终，尽管有警告或错误提示，这些项目仍然可以协同工作。 目前尚不清楚这种情况是否能够被解决，但这正是我们的期望。

Bark 的额外语音及提示词示例

Bark 说明文档

README_Bark.md

关于管理 AI 项目的模型、缓存和系统空间的信息

https://github.com/rsxdalv/tts-webui/discussions/186#discussioncomment-7291274

开源库

本项目使用了以下开源库：

• suno-ai/bark - MIT 许可证

  • 描述：Bark 模型的推理代码。
  • 仓库：suno/bark

• tortoise-tts - Apache-2.0 许可证

  • 描述：一个适用于多种平台的灵活文本到语音合成库。
  • 仓库：neonbjb/tortoise-tts

• ffmpeg - LGPL 许可证

  • 描述：一个完整且跨平台的视频和音频处理解决方案。
  • 仓库：FFmpeg
  • 用途：编码 Vorbis Ogg 文件

• ffmpeg-python - Apache 2.0 许可证

  • 描述：用于处理多媒体文件的 FFmpeg 库的 Python 绑定。
  • 仓库：kkroening/ffmpeg-python

• audiocraft - MIT 许可证

  • 描述：一个用于音频生成和 MusicGen 的库。
  • 仓库：facebookresearch/audiocraft

• vocos - MIT 许可证

  • 描述：一种改进的 encodec 样本解码器。
  • 仓库：charactr-platform/vocos

• RVC - MIT 许可证

  • 描述：一个基于 VITS 的易用语音转换框架。
  • 仓库：RVC-Project/Retrieval-based-Voice-Conversion-WebUI

伦理与负责任的使用

这项技术旨在促进赋能与创造力，而非造成伤害。

通过使用本 AI 模型，您确认并同意遵守以下准则，以负责任、合乎伦理且合法的方式使用该 AI 模型。

• 非恶意意图：请勿将本 AI 模型用于恶意、有害或非法活动。它仅应用于合法且合乎道德的目的，以促进积极互动、知识共享和建设性对话。
• 禁止冒充：请勿使用本 AI 模型冒充或伪装成他人，包括个人、组织或实体。不得利用其进行欺骗、诈骗或操纵他人行为。
• 禁止欺诈行为：本 AI 模型不得用于任何形式的欺诈目的，例如金融诈骗、网络钓鱼或其他旨在获取敏感信息、谋取经济利益或未经授权访问系统的欺骗性行为。
• 遵守法律：请确保您对本 AI 模型的使用符合所在司法管辖区关于 AI 使用、数据保护、隐私、知识产权及其他相关法律义务的适用法律法规和政策。
• 确认：通过使用本 AI 模型，您确认并同意遵守上述准则，以负责任、合乎伦理且合法的方式使用该 AI 模型。

许可证

代码库与依赖项

代码库采用 MIT 许可证。然而，需要注意的是，在安装依赖项时，您还需遵守它们各自的许可证条款。尽管大多数许可证较为宽松，但也可能存在一些不兼容的情况。因此，务必明确：宽松许可证仅适用于代码库本身，而不涵盖整个项目。

尽管如此，我们的目标是在整个项目中保持与 MIT 许可证的兼容性。如果您发现某个依赖项与 MIT 许可证不兼容，请随时提交问题并告知我们。

已知的非宽松许可证依赖项：

库名	许可证	备注
encodec	CC BY-NC 4.0	新版本为 MIT，但需手动安装
diffq	CC BY-NC 4.0	未来可选，运行并非必需，可卸载，应与 demucs 一起更新
lameenc	GPL 许可证	未来版本将改为 LGPL，但需手动安装
unidecode	GPL 许可证	非关键组件，可用其他库替代，问题：https://github.com/neonbjb/tortoise-tts/issues/494

模型权重

模型权重有不同的许可证，请注意您所使用的模型的许可证。

其中最值得注意的是：

• Bark：MIT
• Tortoise：未知（根据仓库信息为 Apache-2.0，但 HuggingFace 上没有许可证文件）
• MusicGen：CC BY-NC 4.0
• AudioGen：CC BY-NC 4.0

TTS-WebUI 快速上手指南

TTS-WebUI 是一个功能强大的开源文本转语音（TTS）、音频生成及处理工具集合，支持包括 Bark、Tortoise、XTTSv2、F5-TTS 在内的数十种主流模型，并提供 Gradio 和 React 两种用户界面。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Windows, Linux 或 macOS
• Python 版本: 3.10 或 3.11 (暂不支持 3.12)
• GPU: 推荐 NVIDIA 显卡 (需安装对应的 CUDA 驱动)，部分模型支持 CPU 运行但速度较慢
• 前置依赖:
  • git: 用于克隆代码库
  • ffmpeg: 需安装并支持 vorbis 编码 (用于音频处理)
  • NodeJS (可选): 版本建议 22.9.0，仅在使用 React UI 时需要
  • SQLite: Python 自带，无需单独安装

国内用户提示: 建议配置 pip 国内镜像源以加速依赖下载。

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

您可以选择一键安装包（推荐新手）或手动安装（适合开发者）。

方法一：使用安装包（推荐）

此方法会自动配置 Conda 环境和 Python 虚拟环境，无需手动干预。

1. 下载安装包: 从 GitHub Releases 下载最新版本的 tts-webui-installer.zip 并解压。 (注：基础安装体积约 10.7 GB，每个额外模型需 2-8 GB 空间)

2. 启动服务:

   • Windows: 双击运行 start_tts_webui.bat
   • Linux/Mac: 终端运行 ./start_tts_webui.sh

3. 配置硬件: 首次运行时，脚本会提示您选择使用的 GPU 或芯片类型，按指引选择即可。

4. 访问界面: 安装完成后，服务将自动启动：

   • Gradio 界面: http://localhost:7770
   • React 界面: http://localhost:3000

方法二：手动安装

适合需要自定义环境或进行二次开发的用戶。

1. 克隆仓库:

   git clone https://github.com/rsxdalv/tts-webui.git
   cd tts-webui
   

2. 创建并激活虚拟环境:

   # Windows
   python -m venv venv
   venv\Scripts\activate
   
   # Linux/Mac
   python3 -m venv venv
   source venv/bin/activate
   

3. 安装 PyTorch: 请访问 PyTorch 官网 获取适合您系统的安装命令。例如 (CUDA 11.8):

   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   

4. 安装项目依赖:

   pip install -r requirements.txt
   

5. 安装 React UI 依赖 (可选): 如果需要使用 React 界面，请确保已安装 NodeJS，然后执行：

   cd frontend
   npm install
   cd ..
   

6. 启动服务:

   python app.py
   

基本使用

启动成功后，打开浏览器访问 http://localhost:7770 (Gradio) 或 http://localhost:3000 (React)。

最简单的文本转语音流程

1. 选择模型: 在界面左侧或顶部的模型下拉菜单中，选择一个已安装的 TTS 模型（例如 Bark, XTTSv2, 或 Piper）。

   • 注意：带 * 号的模型默认未安装，需在“Extensions”标签页中点击下载。

2. 输入文本: 在文本输入框中输入您想要转换的文字内容。

3. 调整参数 (可选): 根据所选模型，调整语速 (Speed)、情感 (Emotion) 或参考音频 (Reference Audio) 等参数。

4. 生成音频: 点击 Generate (生成) 按钮。

5. 播放与下载: 生成完成后，界面将显示音频播放器，您可以直接试听或点击下载按钮保存 .wav / .mp3 文件。

进阶功能

• 语音克隆: 上传一段参考人声录音，模型可模仿该音色朗读新文本（需模型支持，如 XTTSv2）。
• 音频处理: 切换至 "Audio Conversion/Tools" 类别下的模型（如 RVC, Demucs），可进行变声、人声分离或音质增强。
• 扩展管理: 在设置或扩展页面，可以一键下载和管理更多社区支持的模型。