> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-es/audio-y-voz/chattts.md). # Voz conversacional ChatTTS Ejecuta texto a voz conversacional ChatTTS con control fino de la prosodia en GPUs de Clore.ai. ChatTTS es un modelo generativo de voz de 300 millones de parámetros optimizado para escenarios de diálogo como asistentes LLM, chatbots y aplicaciones de voz interactivas. Produce voz con sonido natural, con pausas realistas, risas, muletillas y entonación — características que la mayoría de los sistemas TTS tienen dificultades para reproducir. El modelo admite inglés y chino y genera audio a 24 kHz. **GitHub:** [2noise/ChatTTS](https://github.com/2noise/ChatTTS) (30K+ estrellas) **Licencia:** AGPLv3+ (código), CC BY-NC 4.0 (pesos del modelo — no comercial) ## Características clave * **Prosodia conversacional** — pausas naturales, muletillas e entonación ajustadas para el diálogo * **Etiquetas de control detalladas** — `[oral_0-9]`, `[laugh_0-2]`, `[break_0-7]`, `[uv_break]`, `[lbreak]` * **Varios hablantes** — muestrea hablantes aleatorios o reutiliza incrustaciones del hablante para mantener la coherencia * **Temperatura / top-P / top-K** — controla la diversidad de la generación * **Inferencia por lotes** — sintetiza varios textos en una sola llamada * **Ligero** — \~300M de parámetros, funciona con 4 GB de VRAM ## Requisitos | Componente | Mínimo | Recomendado | | ---------- | ---------------------- | ------------------- | | GPU | RTX 3060 (4 GB libres) | RTX 3090 / RTX 4090 | | VRAM | 4 GB | 8 GB+ | | RAM | 8 GB | 16 GB | | Disco | 5 GB | 10 GB | | Python | 3.9+ | 3.11 | | CUDA | 12.8+ | 12.8+ | **Recomendación de Clore.ai:** Una RTX 3060 ($0.03–0.07/h) maneja ChatTTS cómodamente. Para producción por lotes o menor latencia, elige una RTX 3090 ($0.07–0.21/h). ## Instalación ```bash # Instala desde PyPI pip install ChatTTS torch torchaudio # O instálalo desde el código fuente para obtener las funciones más recientes git clone https://github.com/2noise/ChatTTS.git cd ChatTTS pip install -r requirements.txt # Verificar GPU python -c "import torch; print(torch.cuda.get_device_name(0))" ``` ## Inicio rápido ```python import ChatTTS import torch import torchaudio # Inicializa y carga el modelo (descarga los pesos en la primera ejecución) chat = ChatTTS.Chat() chat.load(compile=False) # Establece compile=True para una inferencia más rápida después del calentamiento texts = [ "¡Hola! ¿Cómo va tu día hasta ahora?", "He estado trabajando en este proyecto toda la mañana. Va avanzando muy bien.", ] wavs = chat.infer(texts) for i, wav in enumerate(wavs): audio_tensor = torch.from_numpy(wav) if audio_tensor.dim() == 1: audio_tensor = audio_tensor.unsqueeze(0) torchaudio.save(f"output_{i}.wav", audio_tensor, 24000) print(f"Guardado output_{i}.wav") ``` ## Ejemplos de uso ### Voz del hablante consistente Muestrea una incrustación aleatoria del hablante y reutilízala en varias generaciones para una voz consistente: ```python import ChatTTS import torch import torchaudio chat = ChatTTS.Chat() chat.load(compile=False) # Muestra un hablante — guarda esta cadena para reutilizarla más tarde rand_spk = chat.sample_random_speaker() params_infer_code = ChatTTS.Chat.InferCodeParams( spk_emb=rand_spk, temperature=0.3, top_P=0.7, top_K=20, ) params_refine_text = ChatTTS.Chat.RefineTextParams( prompt='[oral_2][laugh_0][break_4]', ) texts = ["Bienvenido al episodio de hoy. Déjame contarte algo emocionante."] wavs = chat.infer( texts, params_refine_text=params_refine_text, params_infer_code=params_infer_code, ) audio = torch.from_numpy(wavs[0]) if audio.dim() == 1: audio = audio.unsqueeze(0) torchaudio.save("consistent_speaker.wav", audio, 24000) ``` ### Etiquetas de control a nivel de palabra Inserta etiquetas de control directamente en el texto para una prosodia precisa: ```python import ChatTTS import torch import torchaudio chat = ChatTTS.Chat() chat.load(compile=False) # Etiquetas: [uv_break] = pausa corta, [laugh] = risa, [lbreak] = pausa larga text = '¿Cuál es [uv_break]tu comida favorita?[laugh][lbreak]' rand_spk = chat.sample_random_speaker() params = ChatTTS.Chat.InferCodeParams(spk_emb=rand_spk, temperature=0.3) # skip_refine_text=True conserva tus etiquetas de control manuales wavs = chat.infer(text, skip_refine_text=True, params_infer_code=params) audio = torch.from_numpy(wavs[0]) if audio.dim() == 1: audio = audio.unsqueeze(0) torchaudio.save("controlled_output.wav", audio, 24000) ``` ### Procesamiento por lotes con WebUI ChatTTS incluye una interfaz web de Gradio para uso interactivo: ```bash cd ChatTTS python examples/web/webui.py --server_name 0.0.0.0 --server_port 7860 ``` Abre la `http_pub` URL desde el panel de pedidos de Clore.ai para acceder a la interfaz. ## Consejos para usuarios de Clore.ai * **Usa `compile=True`** después de las pruebas iniciales — la compilación de PyTorch añade tiempo de inicio, pero acelera significativamente la inferencia repetida * **Mapeo de puertos** — expón el puerto `7860/http` al desplegar con la WebUI * **Imagen Docker** — usa `pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime` como base * **Persistencia del hablante** — guarda `rand_spk` cadenas en un archivo para que puedas reutilizar voces entre sesiones sin volver a muestrear * **Agrupa tus solicitudes** — `chat.infer()` acepta una lista de textos y los procesa juntos, lo que es más eficiente que hacer llamadas una por una * **Licencia no comercial** — los pesos del modelo están bajo CC BY-NC 4.0; revisa los requisitos de la licencia para tu caso de uso ## Solución de problemas | Problema | Solución | | ------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------- | | `CUDA sin memoria` | Reduce el tamaño del lote o usa una GPU con ≥ 6 GB de VRAM | | La descarga del modelo es lenta | Descárgalo previamente desde HuggingFace: `huggingface-cli download 2Noise/ChatTTS` | | El audio tiene estática/ruido | Esto es intencional en el modelo de código abierto (medida contra el abuso); usa `compile=True` para obtener una salida más limpia | | `torchaudio.save` error de dimensión | Asegúrate de que el tensor sea 2D: `audio.unsqueeze(0)` si es necesario | | Salida en chino ilegible | Asegúrate de que el texto de entrada esté codificado en UTF-8; instala `WeTextProcessing` para una mejor normalización | | Primera inferencia lenta | Normal — la compilación del modelo y la carga de pesos ocurren en la primera llamada; las llamadas posteriores son más rápidas | --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-es/audio-y-voz/chattts.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.