P12 - Podcast 自動生成利用ChatTTS語音合成系統

ChatTTS 語音合成系統

GItHub Path:

https://github.com/xiciliu/Awesome-ChatTTS-2

目的

將文字稿（Markdown 格式的雙人對話腳本）自動轉換為語音檔案，生成類似 Podcast 的雙人對話音頻。

應用場景

• YouTube Shorts 語音旁白
• Podcast 節目生成
• 有聲書自動化

---

原理

ChatTTS 核心概念

參數	用途	API 位置
Audio Seed	控制音色（男聲/女聲高低）	torch.manual_seed() → sample_random_speaker()
Text Seed	控制情感/語氣	InferCodeParams(manual_seed=...)
Speed	語速	RefineTextParams(prompt=f"[speed_X]")
Oral	口語化程度（加「就是」、「那麼」）	prompt 中的 [oral_X]
Temperature	隨機性/創意程度	InferCodeParams(temperature=...)
Top_P	情感相關性	InferCodeParams(top_P=...)
Top_K	詞彙選擇範圍	InferCodeParams(top_K=...)

音色選擇

Seed 值	描述
7	男聲（阿強預設）
444	女聲（小曼預設，較温柔）
2222	標準女聲
6653	甜美女聲
462	活潑女聲

---

架構

┌─────────────────────────────────────────────────────────┐
│                    輸入層                              │
│  ┌─────────────────────────────────────────────────┐   │
│  │ Markdown 腳本 (podcast_*.md)                   │   │
│  │ 格式：| 角色 | 對話 |                           │   │
│  └─────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                   解析層                                │
│  ┌─────────────────────────────────────────────────┐   │
│  │ generate_podcast.py                            │   │
│  │ - clean_text() 清洗文字                         │   │
│  │ - parse_script() 解析對話表格                   │   │
│  │ - merge_params() 合併全域/角色參數              │   │
│  └─────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                   生成層                                │
│  ┌─────────────────────────────────────────────────┐   │
│  │ ChatTTS Core                                   │   │
│  │ 1. sample_random_speaker() 產生音色嵌入        │   │
│  │ 2. RefineTextParams 建立語音prompt             │   │
│  │ 3. InferCodeParams 設定推理參數                 │   │
│  │ 4. chat.infer() 生成音頻                        │   │
│  └─────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                   輸出層                                │
│  ┌─────────────────────────────────────────────────┐   │
│  │ 輸出格式：WAV (24kHz, int16)                   │   │
│  │ - podcast_output.wav (合併後)                   │   │
│  │ - 阿強.wav / 小曼.wav (個別角色)               │   │
│  └─────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘

---

流程

1. 準備腳本

在 ~/repos/Obsidian Vault/YT Short/ 目錄下建立 podcast_*.md：

| 角色 | 對話 |
|------|------|
| 小曼 | 哈囉大家好！歡迎收聽今天的節目。 |
| 阿強 | 小曼，妳準備好了嗎？ |

2. 執行生成

cd ~/chatts-webui
source ~/chatts-venv/bin/activate
python3 scripts/generate_podcast.py

3. 命令列參數覆蓋

# 覆蓋速度
python3 scripts/generate_podcast.py --speed 6
 
# 覆蓋所有角色的音色
python3 scripts/generate_podcast.py --audio-seed 2222
 
# 覆蓋情感種子
python3 scripts/generate_podcast.py --text-seed 123
 
# 指定輸出檔名
python3 scripts/generate_podcast.py --output my_podcast

---

設定檔結構

全域預設 (DEFAULT_PARAMS)

DEFAULT_PARAMS = {
    "speed": 5,           # 0-9
    "temperature": 0.3,  # 0-1
    "top_P": 0.7,        # 0.1-0.9
    "top_K": 20,         # 1-20
    "text_seed": 42,
    "oral": 4,           # 0-9
    "laugh": 0,          # 0-9
}

角色配置 (ROLES)

ROLES = {
    "阿強": {
        "audio_seed": 134,
        "text_seed": 42,
        "speed": 4,
        "temperature": 0.3,
        "top_P": 0.7,
    },
    "小曼": {
        "audio_seed": 2222,
        "text_seed": 123,
        "speed": 3,
        "temperature": 0.3,
        "top_P": 0.8,
    },
}

---

WebUI 使用

啟動服務：

cd ~/chatts-webui
source ~/chatts-venv/bin/activate
python3 webui.py

訪問：http://localhost:7860

參數位置

參數	WebUI 位置
Speed	🚀 速度與節奏
Break	🚀 速度與節奏
Temperature	🎲 隨機性
Top P	🎲 隨機性
Top K	🎲 隨機性
Audio Seed	🎤 音色與情感
Text Seed	🎤 音色與情感
Oral	🎤 音色與情感
Laugh	🎤 音色與情感

---

注意事項

1. 常見錯誤

MPS 錯誤

RuntimeError: Placeholder storage has not been allocated on MPS device

解決：WebUI 改用 CPU（device = "cpu"）

Gradio 輸出錯誤

InvalidPathError: Cannot move /tmp/chattts_output.wav

解決：輸出路徑改為工作目錄而非 /tmp

Invalid Characters 警告

found invalid characters: {'！', '？'}

說明：中文標點可能觸發警告，但不影響生成

2. 模型位置

~/.openclaw/workspace-media/
├── asset/                    # ChatTTS 模型
│   ├── DVAE.safetensors
│   ├── Decoder.safetensors
│   ├── Embed.safetensors
│   └── Vocos.safetensors

3. 輸出位置

~/chatts-webui/output/
├── podcast_output.wav       # 合併後的音頻
├── 阿強.wav                 # 個別角色音頻
└── 小曼.wav

4. 音色穩定性

• 使用相同的 audio_seed + text_seed 組合可獲得一致的輸出
• 建議先在 WebUI 測試滿意的參數，再寫入配置檔

---

檔案位置

檔案	路徑
Podcast 生成腳本	~/chatts-webui/scripts/generate_podcast.py
WebUI	~/chatts-webui/webui.py
腳本範本	~/repos/Obsidian Vault/YT Short/podcast_*.md
輸出目錄	~/chatts-webui/output/

---

相關資源

• Awesome-ChatTTS-2 - 官方推薦入門指南
• ChatTTS 官網