摘要
1) 一句话总结
本文提供了一份基于百度飞桨PaddleSpeech的零基础TTS（文本生成音频）教程，指导用户通过准备少量干声音频并在云端算力平台上微调，快速训练并导出专属的AI语音模型。
2) 核心要点
- 平台与工具：项目基于百度飞桨AI Studio平台的PaddleSpeech开源项目，相比昂贵的商业TTS方案，该方案免费且操作门槛低。
- 算力选择：新用户可通过平台任务获取免费算力卡，运行项目时必须选择 V100 32G 显卡（不推荐A100因其消耗过快）。
- 数据集要求：需准备无杂音的优质干声，包含20段以上、单段时长在2到9秒之间的WAV格式音频，且采样率必须严格为24000Hz。
- 音频预处理：推荐使用在线工具转换格式与采样率，并使用Audio Slicer工具切分音频（设置Minimun Length为8000），完成后需手动删除低于2秒或超过9秒的片段。
- 路径规范：所有涉及的音频文件路径和命名，绝对不能包含中文或空格等特殊字符。
- 模型训练：核心参数为“训练步数”（范围100
20000）。建议先设置100步进行2分钟的快速测试，确认声音无异常后，再设置为1000020000步进行高质量微调。 - 推理与合成：训练完成后点击导出模型，即可在界面中选择该模型并输入文本，数秒内即可合成目标语音。
- 资源管理：项目使用完毕后，必须手动点击停止运行，以免持续消耗算力。
3) 风险与不足
- 合规与隐私风险：绝对不能使用未经授权的声音进行训练，严禁将其用于涉及隐私或处于法律/道德灰色地带的行为。
- 质量局限：作者明确指出，相比微软、讯飞等成熟的商业封装TTS方案，该自训练模型的效果会“略显粗糙”。
正文
在上一篇文章中，我推荐了一个 SVC（Singing Voice Conversion）项目，歌声转换，也就是类似变声器的玩意，抽取一个人的声音作为训练数据，训练一个神经网络模型，学习他的声线；然后用模型在目标歌曲上做推理，即可实现用自己的声线唱目标歌曲：
我把我的声音训练成了AI模型，并让它唱了一首歌…（附超全面教程，你奶奶看了都会用）
这个项目的质量确实极高，但是太硬核，太麻烦。
这篇文章，我想介绍一个有手就行的超级傻瓜的 TTS（Text-to-Speech，文本生成音频） 项目。
微软、讯飞等等其实已经有非常成熟的TTS方案了，但是都是封装好的，没法去训练自己的声音（虽然他们有这个业务，但是普通人根本付不起那价格，就约等于没法训练）。
今天我们直接去训练自己的TTS，虽然效果略显粗糙，但是胜在有手就行，安心便捷。
百度飞浆平台上的 PaddleSpeech项目，俗称有手就行。
步骤很简单：
准备数据集，十几段10秒以下的音频文件就可以。 上飞浆平台租显卡，训练。 TTS推理，完成。
在开始玩之前，推荐大家去完成百度飞浆的新手任务，能白嫖100算力卡，等于100小时的V100 32G，25小时的A100 40G。属实是香的一笔。
网址在此：https://aistudio.baidu.com/aistudio/newbie，也可以注册完在个人中心点左下角的新手礼包。
极其简单的四步，几分钟就能搞定，约等于白给。
拿到算力卡之后，我们进入飞浆的AI studio的项目大厅。
直接搜索四个字：语音合成。
第一个【有手就行】开头的那个就是。
点进去，然后我们点击运行一下。
等个一小会，就完成了，弹出让我们选显卡的弹窗， 此处一定要注意，必须！必须选择V100 32G！！！必须！没有的话就刷新，直到刷到有为止！（不推荐A100是因为太贵了）
进入项目以后，我们就能看到这个项目详情，跟上一篇的SVC项目其实很类似，但是会大幅简化。我们啥也不用管，点顶部第二个小图标就行。全部运行。
点完了以后，你就会发现自动滑到了安装环境的位置，它就突突突的自己开始装环境了，你就等着就行。
当看到这句，运行时长和结束时间后，就说明环境装完了。
我们继续下一步。 在左侧找到文件 untitled.streamlit.py ，双击文件打开。然后找到红框位置图标，点击使用浏览器打开。
然后你就会在浏览器打开一个新的标签页，可能会白屏1分钟左右，别慌，等着就行。
出现这个页面，就加载完成了，第一步当然是上传数据集啦，他们有几个要求，我给总结一下：
优质干声，不要有杂音，一定不要有。 20段以上的2到9秒的wav格式音频。 音频采样率必须在24000。
要求其实不多，你完全可以用手机录一个3到5分钟的音频，然后转成24000采样率的wav格式，用上一篇的 Audio Slicer（音频切分）去切出来。
这里转采样率和wav格式的我推荐一个在线免费网站：
https://audio.online-convert.com/convert-to-wav
把音频传上去后，直接在这个位置改成24000采样率，然后start下载下来就行。
然后老规矩，跟上一篇一样，使用 Audio Slicer（音频切分）去切音频，如果没有的话，关注我回复S，已经在整合包里了。
我们把Audio Slicer（音频切分）下载下来，解压后打开Slicer-gui。
然后把Minimun Length那一项改成8000，把我们需要处理的音频直接拖到左边窗口，在右下角选择输出路径。 同时此处注意，任何路径和文件命名，都一定不要带有中文和特殊的比如空格之类的字符！！！
扔进去以后，我们直接点最右下角的Start。速度非常块，十几秒就切割完了。我们去我们选择的输出路径就能看到我们的文件。
然后我们选择时长排序，把低于2秒的，超过9秒的都给删了。数据集就算是处理完毕了~
回到我们的【有手就行】项目，我们把数据集上传上去。
传完了后，我们校验一下数据集。
校验完成以后，就会显示如下信息：
我们就可以开始训练了，是不是比SVC简单太多了哈哈~
这个训练只有1个参数，就是步数，10020000的区间，基本可以理解为越高质量越好但是训练时间越长，他的速度非常快，
我的建议是先跑100步，看看模型有没有什么大问题，比如不是人声之类的，没大问题的话再上1000020000步去跑。
准备好了我们就直接微调训练，我这里先跑100步的。
V100 32G跑起来很快，我30条数据集，100步基本2分钟就可以跑完~
训练完成以后，直接点导出模型。
导出完成以后，我们就可以在此处选择的自己的模型了~
选完了以后，就可以输入文本，然后点击合成，非常块，几秒钟就能合成完~
我们听听，效果没啥大问题的话，直接回去改步数，20000步走起~
最后，不用项目的时候，别忘了停止哦~
写在最后
AI孙燕姿最近热火朝天，有越来越热的倾向。
也带着AI音频走向风口浪尖。
AI虽好，但是绝对不要拿未经授权的声音去训练，绝对不要做涉及隐私走在灰色边缘的事情。
以上，创作不易，有用的话请点个关注和在看，并给个星标，感恩。