跳到主要内容

概述

Runtime Text To Speech 文档

Runtime Text To Speech 是一个支持实时、离线、跨平台的文本转语音合成插件。它支持 44 种语言，超过 900 种语音，以及 200 多种语音品质 – 现在更包含 Kokoro 🚀，这是一个具有录音室品质输出的尖端开源语音模型系列。该插件快速、轻量，非常适合需要自然语音的游戏、应用程序和项目。

目前，该插件支持以下平台：Windows、Linux、Mac、Android（包括 Meta Quest）和 iOS。

📹 观看演示
观看 YouTube 演示 或在 Piper 示例 测试通用语音样本。

Kokoro​

该插件还支持 Kokoro 语音模型 - 最近在 Hugging Face 上发布的高质量开源 TTS 架构。

  • 49 个高质量模型，涵盖 8 种语言：
    🇺🇸 英语 (美国) • 🇬🇧 英语 (英国) • 🇨🇳 简体中文 • 🇪🇸 西班牙语 • 🇧🇷 葡萄牙语 • 🇮🇳 印地语 • 🇫🇷 法语 • 🇮🇹 意大利语
  • 提供实时预览：测试 Kokoro 语音
为什么选择 Kokoro？

Kokoro 语音模型是目前可用的最高质量的开源 TTS 解决方案之一。

主要特性​

  • 完全离线合成：无需互联网连接
  • 多种合成模式：
    • 常规合成：为整个文本生成完整的音频
    • 流式合成：实时处理生成的音频块
  • 支持取消：随时中断正在进行的合成操作
  • 跨平台兼容性：在所有主要平台上运行
  • 支持 Blueprint 和 C++：在两种环境中均可完全访问 API

安装​

要开始使用，请在首次运行时通过插件设置安装语音模型。安装完成后，即可在项目中使用该插件。详细说明请参阅 如何使用插件 页面。

插件详情​

该插件使用 Piper、Kokoro 和 ONNX Runtime 库提供实时文本转语音合成。该插件允许您通过编辑器下载和管理多个语音模型，这些模型随后可以打包到您的项目中。

核心功能包括文本输入处理和用于合成的语音模型选择。一些语音模型支持多个说话者 - 例如，English LibriTTS 包含超过 900 个不同的说话者，German Thorsten Emotional 有 7 个说话者，等等。 输出的是PCM音频数据（采用浮点格式），包含相应的采样率和声道数。这些数据可以通过两种方式处理：

  • 常规合成：合成完成后接收完整的音频数据
  • 流式合成：在音频数据生成时以数据块形式接收，支持实时处理

将这种原始音频数据转换为可播放的声波通常需要使用 Runtime Audio Importer 插件，该插件同时提供常规和流式播放功能。

其他资源​