TTS语音合成选哪个方案

这个方案在项目中已经稳定运行了一段时间，整理出来分享。有些细节可能因版本不同有差异，注意看注释。

先搞清楚原理

TTS的底层原理涉及特征工程。用代码演示比画图更直观：

import asyncio
from openai import AsyncOpenAI

client = AsyncOpenAI()

async def process_batch(prompts, concurrency=5):
    semaphore = asyncio.Semaphore(concurrency)
    async def call_api(prompt):
        async with semaphore:
            resp = await client.chat.completions.create(
                model="gpt-4", messages=[{"role": "user", "content": prompt}], max_tokens=200,
            )
            return resp.choices[0].message.content
    tasks = [call_api(p) for p in prompts]
    return await asyncio.gather(*tasks)

prompts = [f"用一句话解释第{j}个概念" for j in range(20)]
results = asyncio.run(process_batch(prompts))
for j, r in enumerate(results):
    print(f"[{j}] {r[:60]}")

实际怎么用

实际编码中，TTS的用法可以简化。下面是我在项目中用的写法，经过几轮迭代优化过：

from transformers import pipeline, AutoTokenizer

task = ["sentiment-analysis", "text-classification", "zero-shot-classification"][1]
model_name = "bert-base-chinese"

tokenizer = AutoTokenizer.from_pretrained(model_name)
print(f"词表大小: {tokenizer.vocab_size}")

nlp = pipeline(task, model=model_name)

texts = [
    "这个产品非常好用，值得推荐",
    "服务态度很差，不推荐",
    "质量一般，性价比不高",
]

results = nlp(texts[:3])
for text, result in zip(texts, results):
    print(f"{text[:20]}... -> {result}")

进阶一点的用法

进阶一点的话，TTS还有梯度反向传播这个方向可以探索。原理不展开，直接看关键代码：

容易踩的坑

说几个容易踩的坑。第一个是特征工程的问题，很多人在这上面栽过跟头。第二个是版本兼容性，不同版本行为可能不一样。第三个是边界情况，空值和异常输入要处理好。

写在最后

总结一下，TTS的关键在于梯度反向传播。掌握了这个，其他用法都是在这个基础上扩展。建议多写几个小demo练手，光看不动手容易忘。