> 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-hi/audio-and-voice/chattts.md).

# ChatTTS संवादात्मक भाषण

ChatTTS एक 300M-पैरामीटर जेनरेटिव स्पीच मॉडल है जो LLM असिस्टेंट, चैटबॉट और इंटरैक्टिव वॉइस एप्लिकेशन जैसे संवाद परिदृश्यों के लिए अनुकूलित है। यह प्राकृतिक-सा बोलना उत्पन्न करता है जिसमें संवाद के लिए यथार्थवादी विराम, हँसी, फिलर्स और उच्चारण शामिल हैं — ऐसे गुण जिन्हें अधिकांश TTS सिस्टम दोहराने में संघर्ष करते हैं। मॉडल अंग्रेजी और चीनी का समर्थन करता है और 24 kHz पर ऑडियो जेनरेट करता है।

**GitHub:** [2noise/ChatTTS](https://github.com/2noise/ChatTTS) (30K+ स्टार्स) **लाइसेंस:** AGPLv3+ (कोड), CC BY-NC 4.0 (मॉडल वेट्स — गैर-वाणिज्यिक)

## प्रमुख विशेषताएँ

* **संवादी प्रयोजना (Conversational prosody)** — संवाद के लिए समायोजित प्राकृतिक विराम, फिलर्स और उच्चारण
* **सूक्ष्म-नियंत्रण टैग** — `[oral_0-9]`, `[laugh_0-2]`, `[break_0-7]`, `[uv_break]`, `[lbreak]`
* **बहु-भाषी/बहु-वक्ता (Multi-speaker)** — यादृच्छिक वक्ताओं का सैंपल लें या सुसंगतता के लिए वक्ता एम्बेडिंग्स पुन: उपयोग करें
* **टेम्परेचर / top-P / top-K** — जेनरेशन विविधता नियंत्रित करें
* **बैच इनफ़रेंस** — एक ही कॉल में कई टेक्स्ट संश्लेषित करें
* **हल्का/लाइटवेट** — \~300M पैरामीटर, 4 GB VRAM पर चलता है

## आवश्यकताएँ

| घटक    | न्यूनतम               | अनुशंसित            |
| ------ | --------------------- | ------------------- |
| GPU    | RTX 3060 (4 GB मुक्त) | RTX 3090 / RTX 4090 |
| VRAM   | 4 GB                  | 8 GB+               |
| RAM    | 8 GB                  | 16 GB               |
| डिस्क  | 5 GB                  | 10 GB               |
| Python | 3.9+                  | 3.11                |
| CUDA   | 11.8+                 | 12.1+               |

**Clore.ai सिफारिश:** एक RTX 3060 (~~$0.15–0.30/दिन) आसानी से ChatTTS संभालता है। बैच उत्पादन या कम विलंबता के लिए, RTX 3090 चुनें (~~$0.30–1.00/दिन)।

## इंस्टॉलेशन

```bash
# PyPI से इंस्टॉल करें
pip install ChatTTS torch torchaudio

# या नवीनतम फीचर्स के लिए स्रोत से इंस्टॉल करें
git clone https://github.com/2noise/ChatTTS.git
cd ChatTTS
pip install -r requirements.txt

# GPU सत्यापित करें
python -c "import torch; print(torch.cuda.get_device_name(0))"
```

## त्वरित प्रारम्भ

```python
import ChatTTS
import torch
import torchaudio

# मॉडल प्रारम्भ करें और लोड करें (पहली बार रन पर वेट्स डाउनलोड होते हैं)
chat = ChatTTS.Chat()
chat.load(compile=False)  # वार्मअप के बाद तेज़ इनफ़रेंस के लिए compile=True सेट करें

texts = [
    "अरे वहाँ! आपका दिन अब तक कैसा चल रहा है?",
    "मैं इस प्रोजेक्ट पर पूरी सुबह काम कर रहा/रही हूँ। यह अच्छी तरह से बन रहा है।",
]

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"Saved output_{i}.wav")
```

## उपयोग के उदाहरण

### सुसंगत वक्ता की आवाज

एक सुसंगत आवाज के लिए एक यादृच्छिक वक्ता एम्बेडिंग सैंपल करें और इसे कई जेनरेशनों में पुन: उपयोग करें:

```python
import ChatTTS
import torch
import torchaudio

chat = ChatTTS.Chat()
chat.load(compile=False)

# एक वक्ता सैंपल करें — बाद में पुन: उपयोग करने के लिए इस स्ट्रिंग को सेव करें
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 = ["Welcome to today's episode. Let me tell you about something exciting."]

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)
```

### शब्द-स्तरीय नियंत्रण टैग

सटीक छंद-लय के लिए नियंत्रण टैग सीधे पाठ में डालें:

```python
import ChatTTS
import torch
import torchaudio

chat = ChatTTS.Chat()
chat.load(compile=False)

# टैग: [uv_break] = छोटी रुकी, [laugh] = हँसी, [lbreak] = लंबी रुकी
text = 'What is [uv_break]your favorite food?[laugh][lbreak]'

rand_spk = chat.sample_random_speaker()
params = ChatTTS.Chat.InferCodeParams(spk_emb=rand_spk, temperature=0.3)

# skip_refine_text=True आपके मैन्युअल नियंत्रण टैग्स को संरक्षित करता है
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)
```

### वेबUI के साथ बैच प्रसंस्करण

इंटरैक्टिव उपयोग के लिए ChatTTS गराडियो वेब इंटरफेस के साथ आता है:

```bash
cd ChatTTS
python examples/web/webui.py --server_name 0.0.0.0 --server_port 7860
```

खोलें `http_pub` UI तक पहुँचने के लिए अपने Clore.ai ऑर्डर डैशबोर्ड से URL।

## Clore.ai उपयोगकर्ताओं के लिए सुझाव

* **उपयोग करें `compile=True`** प्रारंभिक परीक्षण के बाद — PyTorch कम्पाइलेशन स्टार्टअप समय बढ़ाता है लेकिन बार-बार इनफ़रेंस को काफी तेज़ कर देता है
* **पोर्ट मैपिंग** — पोर्ट खोलें `7860/http` जब WebUI के साथ परिनियोजित कर रहे हों
* **Docker इमेज** — उपयोग करें `pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime` एक बेस के रूप में
* **स्पीकर निरंतरता** — सहेजें `rand_spk` स्ट्रिंग्स को फ़ाइल में ताकि आप सत्रों के बीच आवाज़ों का पुन: उपयोग कर सकें बिना फिर से सैंपल किए
* **अपने अनुरोधों को बैच करें** — `chat.infer()` पाठों की एक सूची स्वीकार करता है और उन्हें एक साथ प्रोसेस करता है, जो एक-एक करके कॉल करने से अधिक कुशल है
* **गैर-व्यावसायिक लाइसेंस** — मॉडल वज़न CC BY-NC 4.0 हैं; अपने उपयोग के मामले के लिए लाइसेंसिंग आवश्यकताओं की जाँच करें

## समस्याओं का निवारण

| समस्या                         | समाधान                                                                                                                  |
| ------------------------------ | ----------------------------------------------------------------------------------------------------------------------- |
| `CUDA में आउट ऑफ मेमोरी`       | बैच साइज कम करें या ≥ 6 GB VRAM वाले GPU का उपयोग करें                                                                  |
| मॉडल धीरे-धीरे डाउनलोड होता है | HuggingFace से पहले से डाउनलोड करें: `huggingface-cli download 2Noise/ChatTTS`                                          |
| ऑडियो में स्टैटिक/शोर है       | यह ओपन-सोर्स मॉडल में जानबूझकर है (दुरुपयोग-रोधी उपाय); साफ़ आउटपुट के लिए उपयोग करें `compile=True` साफ़ आउटपुट के लिए |
| `torchaudio.save` आयाम त्रुटि  | सुनिश्चित करें टेन्सर 2D है: `audio.unsqueeze(0)` यदि आवश्यक हो                                                         |
| बिखरी हुई चीनी आउटपुट          | सुनिश्चित करें कि इनपुट पाठ UTF-8 एन्कोडेड है; इंस्टॉल करें `WeTextProcessing` बेहतर सामान्यीकरण के लिए                 |
| पहला अनुमान धीमा               | सामान्य — मॉडल संकलन और वज़न लोडिंग पहले कॉल पर होते हैं; बाद की कॉलें तेज़ होती हैं                                    |


---

# 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-hi/audio-and-voice/chattts.md?ask=<question>&goal=<endgoal>
```

`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.