佛系程序员_ AI语音indextts2本地安装运行

学习笔记

发布日期: 2025-11-08 17:59:29

喜欢量: 6 个

阅读次数: 29

事实上，修行并不是要构建某个境界而后住进去，修行只是如其本来的知道身和心。没有任何矫揉造作，也无需任何刻意的经营。

最近听一些国外的新闻，比如川普的演讲，声音是中文，音色和语气就是他自己的。
比如这个：https://www.youtube.com/watch?v=J4qYeoJX3Fg
怎么做到的呢？
所以也想找到一个复制语音的工具，今天总算是找到了！
首先是看了这个视频：
更猛了！B站开源AI语音天花板【附本地安装包】
https://www.bilibili.com/video/BV1HeJQzSEHW/?vd_source=9cfd346fe392429e85b282e90cb2bbf2

然后，找官网安装教程：
https://github.com/index-tts/index-tts
看：使用说明

注：不想本地搭建的，可以用  线上AI语音生成。在文章下面有。

## 1.获取源代码
这是一个开源项目，而非软件。所以我们要从获取源代码开始。
源代码的获取方式一般分两种：一种是命令的方式，一种是直接打包下载。

### 命令方式

这种方式需要先确保你的电脑已经安装了 git 和 lfs。

如果 git 装了，没有 lfs，可以运行命令：
git lfs install
然后依次运行下面三行命令：
git clone https://GitHub.com/index-tts/index-tts.git indextts2 
cd indextts2
git lfs pull

### 打包下载
打开开源项目地址：
https://github.com/index-tts/index-tts
然后点击 Code->Download ZIP。
会下载到一个 zip 压缩文件，解压这个文件，把解压出来的文件夹改名为 indextts2 就可以了。

## 2.安装依赖
有了源代码和演示音频之后，我们就需要进行安装了，这里的安装主要是指安装 Python 依赖。但是这个项目并没有使用 pip，而是使用了 UV 作为包管理器。

uv = 超快的 Python 包管理器 + 虚拟环境管理器
它的目标是用一个工具取代：
pip
venv
pip-tools
pipenv
poetry
conda（部分功能）
核心特点：
极速：基于 Rust 实现，比 pip 快 10~20 倍。
跨平台：支持 Windows、macOS、Linux。
全功能：安装、卸载、依赖解析、虚拟环境、打包、项目管理。
兼容 pip：支持直接用 requirements.txt、pyproject.toml。
无缝切换：可以直接替代 pip，无需改动现有项目。

又有一种说法是：uv比pip快115倍，强烈推荐。

快速安装方法：
uv安装方式多样，详见官网。也可快速安装：
pip install -U uv

安装依赖：
使用uv安装依赖时，会创建虚拟环境，将所有依赖安装到.venv目录：

我先执行这一个：
uv sync --all-extras

在执行：
uv sync --all-extras时  
hint: This usually indicates a problem with the package or the build environment.
  help: `deepspeed` (v0.17.1) was included because `indextts[deepspeed]` (v2.0.0) depends on `deepspeed`
接下来的时间就较长了，花了一个晚上，又第二天上午，都在处理这个安装问题。

教程提示：
Windows注意： 如遇CUDA相关报错，请确保已安装NVIDIA CUDA Toolkit 12.8及以上。
然后我查看，
目前的 NVIDIA GeForce RTX 3080 显卡，Toolkit 12.1，
驱动版本 ≥ 535.86.10”（CUDA 12.8 最低要求）
查看驱动版本的命令：
nvidia-smi
查看到， NVIDIA-SMI 531.68                 Driver Version: 531.68       CUDA Version: 12.1

那么，就要先升级显卡驱动程序 ：581.80 
1.升级显卡驱动（原版本不够）
官网下载对应驱动：https://www.nvidia.com/download/index.aspx
产品类型：GeForce；
产品系列：GeForce RTX 30 Series；
产品型号：GeForce RTX 3080；
系统：选择你的操作系统（Windows 10/11、Linux）

选择了：GeForce Game Ready 驱动程序 581.80 | Windows 10 64-bit
下载后，检查C盘留出8-10G空间。再双击安装。

2. 安装 CUDA Toolkit 13.1
之后，重启命令行。

nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Wed_Aug_20_13:58:20_Pacific_Daylight_Time_2025
Cuda compilation tools, release 13.0, V13.0.88
Build cuda_13.0.r13.0/compiler.36424714_0

然后要安装Visual Studio 安装程序的使用 C++ 的桌面开发,
安装完成之后，
按下 Win 键 → 开始菜单搜索「Developer Command Prompt for VS 2022」（或 “VS 2022 开发者命令提示符”）；
点击打开这个终端（不是普通 CMD！）；
输入 cl → 回车，大概率会显示编译器版本（成功识别）。

验证环境：输入 cl（显示编译器信息）、nvcc -V（显示 CUDA 13.0），两个都正常就继续；

conda env list

uv sync --all-extras 这一句会报错，deepSpeed 等版本不匹配。
uv sync --extra webui 最后，这么解决的。即，不安装：deepSpeed

C盘最好尽量留出20G。
我中间又问询了：
已装的 torch、CUDA 等占多少空间？总占用约 10-25GB（看版本和依赖多少），拆分如下：
CUDA Toolkit（你装的 13.0 + 之前的 12.1）：每个约 6-10GB，两个共存就是 12-20GB；
PyTorch（带 CUDA 支持）：约 3-6GB（包含 CUDA 运行时、模型权重缓存等）；
ComfyUI 相关依赖（如 diffusers、transformers 等）：约 2-5GB；
Visual Studio Build Tools（C++ 组件）：约 5-10GB（看装的组件多少）

在「VS 2022 开发者命令提示符」的 DeepSpeed-0.17.1 目录下，重新执行以下命令（确保环境变量生效）：
```
禁用 aio 模块（避免找不到 aio.lib）
set DS_BUILD_AIO=0
重新确认其他环境变量（确保 CUDA 路径正确）
set CUDA_PATH=E:\yiyi\Program Files\NVIDIA GPU COmputing Toolkit\CUDA\v13.0
set CUDA_HOME=%CUDA_PATH%
保留核心编译模块，禁用其他可选模块
set DS_BUILD_CPU_ADAM=1
set DS_BUILD_FUSED_ADAM=0
set DS_BUILD_FUSED_LAMB=0
set DS_BUILD_TRANSFORMER=0
set DS_BUILD_TRANSFORMER_INFERENCE=0
set DS_BUILD_STOCHASTIC_TRANSFORMER=0
set DS_BUILD_UTILS=1
set DS_BUILD_OPS=1
set DS_BUILD_CUDA=1
```
python -c "import torch if torch.cuda.is_available(): gpu_name = torch.cuda.get_device_name(0) print('GPU 型号：', gpu_name)"

最后，总算把deepspeed安装完了。

通过以下方式 安装model：

uv tool install "modelscope"

modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints

modelscope命令用不了时，报错时：（为了节省空间，我都把软件尽量安装到E盘）

如果你想让 modelscope 直接在 cmd 中可用：

找到虚拟环境路径：

E:\yiyi\anaconda3\envs\indextts\Scripts

复制这个路径；
打开系统设置 → 环境变量 → 找到 “Path” → 添加上面这个路径；

重启命令行，再试：

modelscope --help

OK了！

NVIDIA CUDA 12.8自定义安装，
组件： CUDA，Other components, NVIDIA App components, Driver components
只需第1个即可。为了省空间，后面的不用勾选。

安装的时候，等待时间，看看其他文章。
全球AI百强榜发布！ChatGPT稳坐第一，DeepSeek第三，前50有22个来自中国
https://zhuanlan.zhihu.com/p/1944342111810986817

现在正在下载：
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints

最后：uv run webui.py

运行webui时，又出现空间不够。
发现今天下载安装 了这些软件，
于是我想把：
Visual Studio 生成工具2022
NVIDIA FrameView SDK 
NVIDIA PhysX 系统软件
NVIDIA App
Microsoft Visual Studio install
NVIDIA HD 音频驱动程序 
都删掉。

NVIDIA 图形驱动程序 ——+只留 这一个。

当删除：
Visual Studio 生成工具2022
Microsoft Visual Studio install 
后，就腾出 4G。

最后成功了：
http://localhost:7860/

实际上，上传一个，都很慢。
加上 --deepspeed 参数变快，说明安装的deepspeed能用。
uv run webui.py --deepspeed

然后，就是从网上下载音频，我想复制隆波尊者的泰语音色，再复制出版文字中的文字段。这两句是截取20秒的音频。可以更短，10秒也行。

ffmpeg -ss 00:01:20 -i "E:\yiyi\download\681101.mp3" -t 00:00:20 -vn -ar 16000 -acodec libmp3lame -ab 128k "E:\yiyi\download\681101-1.mp3"

ffmpeg -i "E:\yiyi\download\681101-1.mp3" -vn -acodec pcm_s16le -ar 16000 -ac 1 "E:\yiyi\download\681101-1_16k_mono.wav"

输入一小段文字，点击生成语音。
终于到进行中了....

“从南方攀牙来的人坐年纪大的出家师父，要隆波跟他面对面的打坐，邀请隆波来对打，在哪里？你们什么时候到的？昨天晚上到
的，那稍微好一点。如果坐一整晚的车是无法听法的。隆波曾去顶礼
高僧大德，晚上坐长途客运于早上到，听完法后想休息一下，但是有
一位”

本地跑，奇慢。感觉过了20分钟，生成了一个31秒的音频。（说实话吧，这跟小马过河似的。自己体验了才知道。本地跑一下，最后也只是知道跑得通，至于后面，用不用就不一定了。因为太慢了啊。）

最后，输出的时间：
torch.Size([1, 341504])
>> gpt_gen_time: 450.25 seconds
>> gpt_forward_time: 0.03 seconds
>> s2mel_time: 1324.80 seconds
>> bigvgan_time: 161.49 seconds
>> Total inference time: 1939.14 seconds
>> Generated audio length: 31.16 seconds
>> RTF: 62.2242
>> wav file saved to: outputs\spk_1762589298.wav

聪明的是，这一段有点顺序颠倒了，生成结果后，音频纠正了这个错误。
“年纪大的出家师父，要隆波跟他面对面的打坐，邀请隆波来对打，”这一段应该在后面。

既然如此，那还是用线上的吧，有两个：
### 线上AI语音生成

https://huggingface.co/spaces/IndexTeam/IndexTTS-2-Demo 
可以使用huggingface进行尝试，但每天有配额限制。目前支持60s左右的推理

模型页面右侧有关联的创空间：
https://www.modelscope.cn/studios/IndexTeam/IndexTTS-2-Demo

“事实上，修行并不是要构建某个境界而后住进去，修行只是如其本来的知道身和心。没有任何矫揉造作，也无需任何刻意的经营。”

最后，是我考虑到，加一个说明。备注，这段音频是AI生成的。
实操小技巧（让切换更自然）
文本拆分：把核心内容和标注说明分成两段提交（如果 WebUI 支持多段音色设置），比如：
第一段（隆波音色）：“事实上，修行并不是要构建某个境界而后住进去，修行只是如其本来的知道身和心。没有任何矫揉造作，也无需任何刻意的经营。—— 隆波”
第二段（旁白音色）：“注：以上内容为隆波泰语教诲的中文翻译，语音由 AI 复刻隆波音色生成。”
停顿过渡：在两段之间留 0.8-1 秒的空白（WebUI 里可手动设置 “段落间隔”，或用换行 / 空格实现），避免音色切换太生硬；
音量统一：标注音色的音量比主音色低 5%-10%，让核心内容更突出，标注部分作为 “辅助说明” 不抢戏。

那么，再需要找一个音色文件，来做这个旁白 。

到哪里找音色文件？豆包给的答案是：
淘声网：
https://www.tosound.com/search
点开，检查 - Network - Media,
再播放某条音频，就会出现：
preview?file=....
查看Headers即可

爱给网：
https://www.aigei.com/
方法相同。

淘声网多是音效。我觉得 爱给网就足够了。用以上的方法，就能下载得到10秒左右的wav文件。

经历这两天的研究，算是完全跑通了复制声音这个流程。

以上内容文字出自隆波的法宝集，复刻隆波音频生成。

应用场景
视频配音：精确时长控制，保证口型同步。
虚拟主播/数字人：多情感表达，让角色更生动。
游戏语音：快速生成多角色、多语种对白。
辅助创作：为播客、教学视频、短剧提供高质量语音

最后，看一下效果：
<audio controls  >
    <source src="https://cdn-media.yyii.info/mp3/2025/%E4%BF%AE%E8%A1%8C%E5%B9%B6%E4%B8%8D%E6%98%AF%E8%A6%81%E6%9E%84%E5%BB%BA%E6%9F%90%E4%B8%AA%E5%A2%83%E7%95%8C%E7%84%B6%E5%90%8E%E4%BD%8F%E8%BF%9B%E5%8E%BB.wav" type="audio/wav">
</audio>

文字1:事实上，修行并不是要构建某个境界而后住进去，修行只是如其本来的知道身和心。没有任何矫揉造作，也无需任何刻意的经营。

文字2:真正的禅定是“觉知自己”的禅定。而不是打坐以后，心神恍惚忘了自己的禅定。连自己都忘了，怎么可能照见身心的实相呢？

文字3：以上内容文字出自隆波的法宝集，音频复刻隆波由AI生成。

yyii

http://www.amtb.info/show/MjUz

本博客所有文章除特別声明外,转载请注明来源佛系程序员 !