从0开始学语音合成，GLM-TTS新手入门全攻略

从0开始学语音合成，GLM-TTS新手入门全攻略

你有没有试过对着手机说“播放新闻”，结果听到的是一段毫无起伏、像机器人念说明书的声音？或者给客户发语音通知时，对方听完第一句就皱起眉头——不是内容有问题，是声音太“假”了。

别急，这不是你的错。过去几年，语音合成（TTS）确实长期卡在“能听懂”但“不想听”的阶段。直到像 GLM-TTS 这样的新一代开源模型出现：它不靠海量录音训练，只要几秒人声，就能克隆出高度相似的音色；不靠复杂配置，点几下就能让语音带上笑意、严肃或亲切感；甚至面对“重”字该读chóng还是zhòng、“行”字该读xíng还是háng这种中文老难题，也能稳稳拿捏。

更关键的是——它真的对新手友好。不需要写一行训练代码，不用配环境到怀疑人生，连显卡型号都不用查，照着操作就能跑通第一条语音。本文就是为你写的：一个没碰过语音合成、没调过模型参数、甚至没装过CUDA的人，也能从零开始，亲手做出一条像真人说话一样的音频。

下面我们就从最基础的启动开始，一步步带你走进 GLM-TTS 的世界。全程不讲原理、不堆术语，只说“你该点哪里”“输什么”“为什么这么选”“效果差了怎么调”。

1. 第一次启动：5分钟跑通第一条语音

别被“TTS”“音色编码器”“梅尔谱图”这些词吓住。对新手来说，GLM-TTS 最大的优势就是：它已经打包好了所有依赖，你只需要打开它。

镜像由科哥深度优化并封装，预装了 Python、PyTorch 2.9、CUDA 驱动和全部模型权重。你唯一要做的，就是激活环境、启动界面、打开浏览器。

1.1 启动 WebUI（两种方式，任选其一）

注意：每次启动前，必须先激活torch29虚拟环境。这是硬性要求，跳过会报错。

推荐方式：用启动脚本（一键搞定）

cd /root/GLM-TTS source /opt/miniconda3/bin/activate torch29 bash start_app.sh

备选方式：手动运行（适合想看日志的人）

cd /root/GLM-TTS source /opt/miniconda3/bin/activate torch29 python app.py

执行完后，终端会显示类似这样的提示：

Running on local URL: http://127.0.0.1:7860

这时，打开你电脑上的浏览器，访问这个地址：http://localhost:7860
（注意：不是127.0.0.1，是localhost，部分系统对前者支持不稳定）

你将看到一个干净简洁的界面，顶部写着“GLM-TTS WebUI”，中间是几个功能区：参考音频上传框、文本输入框、高级设置按钮、合成按钮……整个页面没有多余按钮，也没有让人眼花的参数列表。

1.2 准备你的第一段参考音频

这是最关键的一步，但它比你想的简单得多。

• 找一段你自己或朋友说的3–10秒录音（手机自带录音机就行）
• 内容可以是：“你好，今天天气不错” 或 “欢迎收听我们的节目”
• 格式不限：WAV、MP3、M4A 都支持
• 要求只有三点：人声清晰、背景安静、单人说话

小技巧：用手机录的时候，把嘴离麦克风15厘米左右，别贴太近；录完听一遍，确认没有“噗”“嘶”这类爆破音或电流声。

把这段音频拖进界面上方标着「参考音频」的灰色区域，松手上传。几秒后，你会看到音频波形图显示出来，说明已加载成功。

1.3 输入你要合成的文字

在下方「要合成的文本」框里，输入你想让这个声音说的内容。比如：

您好，这里是客服小助手，您的订单已发货，预计明天下午送达。

注意：

• 中文、英文、中英混合都支持（如：“订单号是 #123456，status is confirmed”）
• 单次建议不超过200字。太长容易断句不准、语气生硬
• 标点符号很重要！句号、逗号、问号都会影响停顿节奏，别省略

1.4 点击合成，听你的第一条AI语音

不用改任何设置，直接点击右下角的「 开始合成」按钮。

等待5–15秒（取决于GPU性能），页面会自动播放生成的音频，并在下方显示播放控件。同时，文件已保存到服务器的@outputs/目录下，命名类似tts_20251212_113000.wav。

这时候，戴上耳机，认真听三遍：

• 第一遍：音色像不像？是不是有你上传音频里那种“感觉”？
• 第二遍：语速自然吗？停顿位置对不对？
• 第三遍：有没有明显失真、卡顿、吞字？

如果整体听起来“差不多”，恭喜你，已经完成了语音合成的第一课。接下来，我们再让它变得更准、更像、更有表现力。

2. 让声音更像你：参考音频与文本的配合技巧

很多人第一次用 GLM-TTS，最大的困惑不是“不会操作”，而是“为什么音色不像？”
其实答案往往不在模型，而在你上传的那几秒音频和填写的那几行文字里。

2.1 参考音频质量，决定上限

你可以把参考音频理解成“声音的种子”。种子越饱满，长出来的树才越健壮。以下是你需要关注的四个实操要点：

避免这些常见错误：

• 用视频里截取的音频（常含混响和压缩失真）
• 用会议录音（多人交叉说话+网络延迟）
• 用唱歌片段（音高变化过大，超出TTS建模范围）

2.2 参考文本：提升音色还原度的“秘密开关”

界面上有个可填项叫「参考音频对应的文本」。很多人直接跳过，但它其实是提升相似度的关键辅助。

举个例子：你上传了一段自己说的“今天真不错”，但没填参考文本。模型只能从声音信号里猜你说的是什么，万一它误判成“今天真不措”，音色建模就会跑偏。

而如果你准确填上：

今天真不错

模型就能把“声音特征”和“文字内容”对齐，更精准地锁定你的发音习惯——比如你习惯把“不”字读得轻而短，“错”字尾音微微上扬。这种细节能让最终效果从“有点像”变成“几乎分不出”。

实操建议：

• 如果你清楚音频内容，务必填写，一字不差
• 如果不确定，宁可留空，也不要瞎猜
• 中英混合时，按原样填写（如：“Hello，今天开会”）

2.3 文本输入的“小动作”，带来大不同

同样的文字，加一个标点，语气就可能完全不同。GLM-TTS 对标点非常敏感，这是你无需调参就能控制表达效果的方式：

• 句号（。）→ 明确停顿，语气收束
• 逗号（，）→ 短暂停顿，保持语流连贯
• 问号（？）→ 末尾音调上扬，带疑问感
• 感叹号（！）→ 加重语气，传递情绪强度
• 省略号（……）→ 拉长尾音，制造悬念或迟疑感

试试这两句对比：

您确定要删除吗

vs

您确定要删除吗？

后者会明显带出询问、确认的语气，而不是冷冰冰的陈述。

进阶技巧：长句主动分段
把“请稍等，系统正在处理您的请求，预计30秒内完成”拆成：

请稍等…… 系统正在处理您的请求。 预计30秒内完成！

合成效果会更接近真人说话的呼吸感和节奏感。

3. 从单条到批量：高效产出音频的实用方法

当你验证完音色效果，准备正式用起来时，手动一条条合成就太慢了。比如做100条客服话术、20期播客旁白、50个产品介绍，每条都要点上传、填文本、点合成——光操作就得两小时。

GLM-TTS 的批量推理功能，就是为这种场景设计的：一次上传任务清单，全自动跑完所有音频，失败不中断，结果打包下载。

3.1 准备你的任务清单（JSONL格式）

这不是编程考试，只是一个纯文本文件，每行写一个任务，用标准 JSON 格式。你可以用记事本、VS Code 或任何文本编辑器创建。

新建一个文件，命名为tasks.jsonl，内容如下（复制粘贴即可）：

{"prompt_text": "您好，我是客服小李", "prompt_audio": "voices/li.wav", "input_text": "您的订单已发货，请注意查收", "output_name": "notice_001"} {"prompt_text": "欢迎收听晚间新闻", "prompt_audio": "voices/news.wav", "input_text": "今夜气温骤降，出行请注意保暖", "output_name": "news_002"} {"prompt_text": "大家好，这里是技术分享频道", "prompt_audio": "voices/tech.wav", "input_text": "今天我们来聊聊语音合成的新进展", "output_name": "tech_003"}

字段说明（全是必填或常用项）：

• prompt_text：参考音频里实际说的内容（同上文“参考文本”）
• prompt_audio：音频在服务器上的路径。提前把所有参考音频放到/root/GLM-TTS/voices/目录下，这里就写相对路径
• input_text：你要合成的目标文本
• output_name：生成后的文件名（不带扩展名），方便你后期归类

小提醒：

• 文件必须是 UTF-8 编码（中文不会乱码）
• 每行一个 JSON，行尾不能有逗号，行间不能有空行
• 路径里的文件名要和你实际上传的一致（大小写也要一致）

3.2 上传并运行批量任务

1. 切换到 WebUI 的「批量推理」标签页
2. 点击「上传 JSONL 文件」，选择你刚创建的tasks.jsonl
3. 设置参数（首次使用建议保持默认）：
   • 采样率：24000（速度快，音质足够日常用）
   • 随机种子：42（固定值，保证每次结果一致）
   • 输出目录：默认@outputs/batch即可
4. 点击「 开始批量合成」

你会看到一个实时进度条，下方滚动显示日志，例如：

[INFO] Processing task 1/3: notice_001.wav → done [INFO] Processing task 2/3: news_002.wav → done [INFO] Processing task 3/3: tech_003.wav → done [SUCCESS] All tasks completed. Download ZIP.

点击「Download ZIP」，解压后就能得到三个.wav文件，命名和你设定的output_name完全一致。

为什么推荐用批量模式？

• 单任务失败不影响其他任务（比如某条音频路径错了，其余照常生成）
• 全程无人值守，你去泡杯茶回来就完成了
• 输出文件名可控，方便后续导入剪辑软件或CMS系统

4. 进阶控制：让语音不只是“说话”，而是“表达”

当基础合成已经稳定，你可能会想：能不能让声音更生动一点？比如客服语音带点微笑感，新闻播报更沉稳有力，儿童故事更活泼跳跃？GLM-TTS 提供了三种不需训练、开箱即用的进阶能力。

4.1 情感迁移：用一段带情绪的录音，教会AI“语气”

GLM-TTS 不提供“开心”“悲伤”“愤怒”下拉菜单。它的设计哲学是：情绪藏在声音里，而不是标签里。

所以，你不需要告诉它“我要开心的语气”，而是——上传一段你自己开心时说的录音。

比如，你录一句：“哇！这个功能太棒了！” 语气轻快、语速稍快、尾音上扬。然后用它作为参考音频，去合成“感谢您的耐心等待”，生成的语音就会不自觉地带出积极、友好的感觉。

实操组合建议：

• 正式播报→ 用新闻主播语调平稳的录音（如：“各位听众，这里是早间快讯”）
• 客服应答→ 用带微笑感的日常对话（如：“您好，很高兴为您服务～”）
• 儿童内容→ 用语速稍快、音调偏高的亲子互动录音（如：“快看，小兔子跳过来啦！”）

注意：避免极端情绪录音（如大笑、抽泣、尖叫），它们的声学特征过于特殊，容易导致合成失真。

4.2 音素级控制：解决“重”“行”“长”等多音字发音难题

中文TTS最头疼的问题之一：上下文决定读音。传统方案靠G2P模型猜，但猜错率不低。GLM-TTS 给你一个更可靠的选择——自己定义规则。

启用方式很简单：在 WebUI 的「高级设置」里勾选「启用音素模式」（Phoneme Mode），然后准备一个替换字典文件configs/G2P_replace_dict.jsonl。

文件内容示例（每行一个JSON）：

{"char": "重", "pinyin": "chong2", "context": "重复"} {"char": "重", "pinyin": "zhong4", "context": "重要"} {"char": "行", "pinyin": "xing2", "context": "行走"} {"char": "行", "pinyin": "hang2", "context": "银行"} {"char": "长", "pinyin": "zhang3", "context": "生长"} {"char": "长", "pinyin": "chang2", "context": "长度"}

规则生效逻辑：当模型检测到“银行”这个词时，“行”强制读hang2；检测到“行走”时，读xing2。完全按你指定的来，不猜、不估、不妥协。

适用场景：

• 教育类有声书（确保专业术语读音100%准确）
• 医疗/金融播报（避免“行”读错引发歧义）
• 方言混合内容（如粤语腔普通话中，“的”字读“de”还是“di”）

4.3 流式推理：为实时交互场景预留接口

虽然 WebUI 是一次性生成整段音频，但 GLM-TTS 底层支持流式（Streaming）输出——即边生成边返回音频 chunk，延迟更低，适合需要“即时响应”的场景，比如：

• AI语音助手实时回答问题
• 在线课堂中教师语音实时转写+合成反馈
• 游戏NPC根据玩家动作动态生成台词

流式能力目前通过命令行调用（WebUI暂未开放入口）：

python glmtts_inference.py --data=example_zh --exp_name=_test --use_cache --streaming

特点：

• 固定 token 输出速率：25 tokens/sec
• 每个 chunk 时长约200ms，可直接喂给播放器
• 无需等待全文生成，首音延迟显著降低

提示：如果你当前需求是“生成后下载使用”，无需开启流式；只有明确需要低延迟实时合成时，才启用此项。

5. 效果调优与问题排查：小白也能看懂的排障指南

再好的工具，第一次用也可能遇到“怎么声音发闷？”“为什么合成失败？”“效果不如预期？”这些问题。别翻文档、别搜报错、别怀疑自己——下面这些，都是科哥团队在真实用户反馈中高频遇到的问题，以及最直接的解决办法。

5.1 音频质量不满意？先检查这四点

通用提速技巧（兼顾质量与速度）：

• 始终开启「启用 KV Cache」（WebUI默认已开）
• 首次测试用24000采样率 +ras采样法
• 固定随机种子为42，便于复现和对比

5.2 合成失败？按顺序检查这三步

1. 看显存是否爆了

   • 现象：点击合成后无反应，或报CUDA out of memory
   • 办法：点击界面右上角「🧹 清理显存」按钮，再试一次

2. 看音频路径是否存在

   • 现象：批量任务中某条失败，日志显示File not found
   • 办法：确认prompt_audio路径是否拼写正确，文件是否真在对应目录

3. 看文本是否超长或含非法字符

   • 现象：合成中途卡住，或生成空白音频
   • 办法：把文本缩短到50字以内，去掉 emoji、特殊符号（如®、™）、不可见控制符

5.3 性能参考：心里有数，不盲目期待

提示：以上基于单卡 RTX 4090 测试。若用 A10/A100 等计算卡，速度更快；若用消费级 3090/4080，时间增加约20%，显存占用相近。

6. 总结：你已经掌握了语音合成的核心能力

回顾一下，你刚刚走完了从零到落地的完整路径：

• 启动部署：不用装环境、不配驱动，5分钟打开 WebUI，跑通第一条语音
• 音色控制：知道什么样的参考音频最有效，明白参考文本如何提升还原度
• 效率提升：学会用 JSONL 批量任务，告别重复点击，百条音频一键生成
• 表达升级：掌握用情感录音迁移语气、用字典规则控制多音字、用流式应对实时场景
• 问题定位：遇到效果不佳或失败，能快速判断是音频、文本、参数还是硬件问题

这已经覆盖了90%以上实际业务场景的需求：智能客服、有声内容制作、教育课件配音、短视频口播、企业宣传语音……你不再需要等待算法团队排期，也不用花几万块买商用TTS服务。

最后送你一个真实用户的实践心得：

“我用同事5秒的‘你好’录音，做了整套内部培训语音。HR说，员工反馈‘比真人讲解还亲切’——因为AI不会累，语速永远稳定，情绪永远在线。”

语音合成的门槛，真的已经降下来了。现在，轮到你按下那个「 开始合成」按钮。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。