Python TTS 的 Coqui TTS / Piper 实践

coqui tts 返回静音主因是模型不支持中文或文本预处理错误；piper 中文卡住多因模型路径未配置；树莓派上优先选piper因其轻量、低延迟、中文模型成熟。

Coqui TTS synthesizer.tts 返回空音频或静音？

根本原因通常是模型输入文本未被正确预处理，或模型不支持当前语言/标点。Coqui TTS 的 TTS 类默认用 en-us-kathleen-low 这类英文模型，直接喂中文会静音——它根本没学过中文字音映射。

实操建议：

立即学习“Python免费学习笔记（深入）”；

• 确认模型是否支持目标语言：tts --list_models 查看带 zh 或 multilingual 标签的模型，例如 coqui/tts_zh-CN-huayan-1.0
• 避免用原始中文标点触发分词失败：把 ！？。； 换成英文标点或加空格，如 "你好 ！" → "你好!"
• 检查 synthesizer.tts 调用时是否漏传 speaker_wav（零样本克隆场景）或 language（多语模型必须显式指定）
• 静音还可能是采样率不匹配：模型输出是 22050，但用 44100 播放器硬播，听起来像无声——用 soundfile.write(..., samplerate=22050) 保存再试

Piper piper 命令行合成中文卡住或报 OSError: [errno 2] No such file or Directory

这是 Piper 在找语音模型时路径出错。它默认只查 ~/.local/share/piper 和 /usr/local/share/piper，但你下载的 zh_CN-huayan-medium.onnx 可能放在了桌面或 Downloads 里，Piper 根本看不见。

实操建议：

立即学习“Python免费学习笔记（深入）”；

• 别靠 pip install piper 后直接跑命令：先手动下载模型到标准位置，比如 mkdir -p ~/.local/share/piper && cd ~/.local/share/piper && wget https://github.com/rhasspy/piper/releases/download/2024.02.26/zh_CN-huayan-medium.onnx
• 运行时必须加 --model 显式指定路径：piper --model ~/.local/share/piper/zh_CN-huayan-medium.onnx -f out.wav
• 中文需额外加 --language zh，否则 Piper 默认当英文处理，声调全丢
• 如果仍卡住，加 --debug 看日志——大概率是 ONNX Runtime 初始化失败，换系统级安装的 onnxruntime-gpu（有 CUDA）或 onnxruntime（CPU 版）再试

Coqui vs Piper：选哪个跑在树莓派 4 上？

树莓派 4（4GB）跑 Coqui TTS 的 tts 命令会明显卡顿甚至 OOM，因为它的默认模型（如 tts_models/en/ljspeech/tacotron2-DDC）加载后占内存超 1.2GB，且依赖 pytorch 动态图，ARM 上优化差。

Piper 更合适，原因很实在：

• Piper 模型是纯 ONNX，无 python 运行时依赖，onnxruntime ARM64 wheel 官方支持好，内存常驻仅 300–500MB
• 合成延迟低：Piper 单句平均 800ms（含加载），Coqui 同配置下常超 3s，且首次加载后也不稳定
• 中文可用模型更成熟：Piper 的 zh_CN-huayan 是专为中文训练的，Coqui 目前没有维护活跃的高质量中文 Tacotron2 或 VITS 模型
• 但注意：Piper 不支持运行时切换 speaker voice，所有音色差异都得靠换模型文件——别指望用一个模型 + speaker_wav 克隆自己声音

合成音频有杂音、断字或语速突变？

不是模型坏了，大概率是文本预处理和语音对齐之间的缝隙没填平。特别是中英文混排、数字、单位符号这类边界，两个框架都容易崩。

实操建议：

立即学习“Python免费学习笔记（深入）”；

• 数字统一转汉字：把 "第123章" 改成 "第一百二十三章"，Piper 和 Coqui 都不擅长读阿拉伯数字
• 英文缩写加空格或括号：如 "CPU使用率" → "C P U 使用率" 或 "(CPU) 使用率"，避免连读成“扣皮”
• Coqui 中若用 vits 模型，关掉 text_cleaner（设为 None）反而更稳——它的默认 cleaner 会把中文标点全删，导致停顿丢失
• Piper 的 --Length-scale 控制语速，值越小越快，但低于 0.8 容易吞字；高于 1.3 会拉长辅音，听感像卡顿

事情说清了就结束。真正麻烦的是中英文混排+数字+标点的组合，没有银弹，只能一句句试听、微调、存档规则。