项目简介 链接到标题

ChatTTS 是 2noise 团队开发的对话场景 TTS 模型，39.5k stars。

  • 架构：GPT 自回归（非 VITS2）
  • 语言：中文、英文
  • 特点：token 级韵律控制（[laugh]、[uv_break]、[lbreak]）
  • 协议：AGPL-3.0（代码）+ CC BY-NC 4.0（模型，仅限学术用途）
  • 维护：活跃，v0.2.5（2026.04）

部署方式 链接到标题

基于 jianchang512/ChatTTS-ui 构建，提供 Web UI 和 API。

git clone https://github.com/jianchang512/ChatTTS-ui.git
cd ChatTTS-ui
docker compose -f docker-compose.cpu.yaml up -d

模型从 ModelScope 自动下载，端口 9966。

使用方式 链接到标题

Web UI 操作，支持中英文界面。核心参数：

  • temperature：生成随机性
  • top_P / top_K：采样参数
  • spk_emb：固定音色（可采样后复用）

高级用法支持 token 级控制：

params_refine_text = ChatTTS.Chat.RefineTextParams(
    prompt='[oral_2][laugh_0][break_6]',
)

与 MeloTTS 对比 链接到标题

之前也部署过 MeloTTS（详见 MeloTTS 多语言 TTS 部署记录），两者对比：

ChatTTS MeloTTS
架构 GPT 自回归 VITS2
语言 中/英 6 种语言
韵律控制 laugh/pause/break token 无
音量稳定性 相对稳定 忽大忽小
中文自然度 稍逊 更自然
模型大小 ~1.2GB ~180MB
显存需求 4GB+ CPU 可跑
协议 AGPL-3.0 + CC BY-NC 4.0 MIT
Stars 39.5k 7.5k
维护状态 活跃 停滞

ChatTTS 的优势在于韵律控制——可以精确插入笑声、停顿，音量也相对稳定。但中文发音的自然度不如 MeloTTS，而且自回归模型偶有多说话者或音质不稳的问题（多抽几次样可缓解）。

MeloTTS 的优势是轻量（CPU 可跑）、多语言、MIT 协议可商用，但音量忽大忽小是 VITS2 架构的先天缺陷。

现状 链接到标题

一年前技术选型搭建过，记录下来备查。

相关链接 链接到标题