Orpheus TTS 开源语音合成系统概述

Orpheus TTS 是最新开源的语音合成系统，基于 Llama-3B 主干架构，展现了大型语言模型在语音合成领域的强大能力。其自然情感表达几乎能以假乱真，实时输出延迟低至 25-50 毫秒，非常适合实时对话场景。同时，Orpheus TTS 提供四种参数规模（150M 到 3B），可适配不同硬件和需求。零样本语音克隆与灵活的情感控制功能，让用户能够轻松定制专属音色。

核心能力

• 类人语音：具备自然语调、情感和节奏，效果甚至超越部分闭源的 SOTA 模型。
• 零样本语音克隆：无需预先微调，即可直接克隆任意声音。
• 情感与语调控制：借助简单的标签，即可灵活调控语音的情感特征。
• 低延迟：实时应用中流延迟约 200 毫秒，配合输入流可进一步降低至约 100 毫秒。

接下来，我们看看如何快速上手。首先克隆项目仓库，然后安装必要的依赖包：

git clone https://github.com/canopyai/Orpheus-TTS.git
cd Orpheus-TTS && pip install orpheus-speech  # 底层使用vllm实现快速推理
pip install vllm==0.7.3

需要注意的是，vLLM 在 3 月 18 日发布了新版本，回退到 0.7.3 版本可以避免一些已知错误。接着安装 orpheus-speech：

pip install orpheus-speech

运行一个流式推理示例：

from orpheus_tts import OrpheusModel
import wa ve
import time

model = OrpheusModel(model_name="canopylabs/orpheus-tts-0.1-finetune-prod")
prompt = '''Man, the way social media has, um, completely changed how we interact is just wild, right? Like, we're all connected 24/7 but somehow people feel more alone than ever. And don't even get me started on how it's messing with kids' self-esteem and mental health and whatnot.'''

start_time = time.monotonic()
syn_tokens = model.generate_speech(
    prompt=prompt,
    voice="tara",
)

with wa ve.open("output.wa v", "wb") as wf:
    wf.setnchannels(1)
    wf.setsampwidth(2)
    wf.setframerate(24000)

    total_frames = 0
    chunk_counter = 0
    for audio_chunk in syn_tokens:  # output streaming
        chunk_counter += 1
        frame_count = len(audio_chunk) // (wf.getsampwidth() * wf.getnchannels())
        total_frames += frame_count
        wf.writeframes(audio_chunk)
    duration = total_frames / wf.getframerate()

    end_time = time.monotonic()
    print(f"It took {end_time - start_time} seconds to generate {duration:.2f} seconds of audio")

效果测试与在线体验

您可以直接通过在线 Demo 体验：https://huggingface.co/spaces/MohamedRashad/Orpheus-TTS

无论是搭建实时语音助手、制作有声读物，还是开发配音应用，这个项目都非常值得尝试。快来动手实践吧！