cosyvoice-tts-函数.py

import os  # 导入os模块以便进行文件和目录操作
import sys  # 导入sys模块以便处理Python解释器的参数和操作
import numpy as np  # 导入NumPy库用于数值计算
import torch  # 导入PyTorch库用于深度学习
import random  # 导入random库以生成随机数
import librosa  # 导入Librosa库用于音频分析
import scipy.io.wavfile  # 导入SciPy库以处理wav文件的读写
from cosyvoice.cli.cosyvoice import CosyVoice  # 从CosyVoice库导入CosyVoice类
from cosyvoice.utils.file_utils import load_wav  # 导入加载wav文件的工具函数
from cosyvoice.utils.common import set_all_random_seed  # 导入设置随机种子的工具函数
from pydub import AudioSegment  # 导入Pydub库用于处理音频段
import simpleaudio as sa  # 导入SimpleAudio库用于播放音频

# 设置路径和导入 CosyVoice 库
ROOT_DIR = os.path.dirname(os.path.abspath(__file__))  # 获取当前脚本的目录
sys.path.append('{}/third_party/Matcha-TTS'.format(ROOT_DIR))  # 将第三方库路径添加到系统路径中

# 定义全局变量
max_val = 0.8  # 音频的最大值
target_sr = 22050  # 设定目标音频的采样率
MODEL_DIR = 'pretrained_models/CosyVoice-300M'  # 默认模型目录的路径
DEFAULT_VOICE_ID = '中文女'  # 默认音色ID

# 初始化全局变量和模型
def initialize_globals(model_dir):
    global cosyvoice  # 声明全局变量
    cosyvoice = CosyVoice(model_dir)  # 创建CosyVoice模型实例
    
# --------------- 音频后处理 ---------------
def postprocess(speech, top_db=60, hop_length=220, win_length=440):
    # 使用Librosa的trim函数去除音频前后的静音部分
    speech, _ = librosa.effects.trim(speech, top_db=top_db, frame_length=win_length, hop_length=hop_length)
    # 如果音频的绝对值最大值超过设定的最大值，则进行归一化处理
    if speech.abs().max() > max_val:
        speech = speech / speech.abs().max() * max_val
    # 返回后处理的音频，最后加上0.2秒的静音
    return torch.cat([speech, torch.zeros(1, int(target_sr * 0.2))], dim=1)

# --------------- 执行推理过程并生成音频 ---------------
def inference(tts_text, seed, stream, speed):
    set_all_random_seed(seed)  # 设置随机种子以确保结果可复现
    audio_gen = cosyvoice.inference_sft(tts_text, DEFAULT_VOICE_ID, stream=stream, speed=speed)  # 生成音频
    # 从生成器中提取音频数据
    audio_data = []
    for audio in audio_gen:
        audio_data.append(audio['tts_speech'].numpy().flatten())
    return np.concatenate(audio_data)  # 将所有片段连接成一个完整的音频数组

# --------------- 播放生成的音频 ---------------
def play_audio(audio):
    # 将 numpy 数组转换为 pydub 音频段
    audio_segment = AudioSegment(
        audio.tobytes(),  # 将numpy数组转换为字节
        frame_rate=target_sr,  # 设置帧率为目标采样率
        sample_width=audio.dtype.itemsize,  # 设置样本宽度为数据类型的大小
        channels=1  # 设置音频通道为单声道
    )
    # 保存临时文件
    temp_file = "temp_output.wav"  # 临时音频文件名
    audio_segment.export(temp_file, format="wav")  # 导出音频为wav格式

    # 播放音频
    wave_obj = sa.WaveObject.from_wave_file(temp_file)  # 从临时文件创建WaveObject
    play_obj = wave_obj.play()  # 播放音频
    play_obj.wait_done()  # 等待播放完成

    # 删除临时文件
    os.remove(temp_file)  # 播放完成后删除临时文件

# --------------- 根据输入文本生成音频并播放 ---------------
def generate_audio(tts_text):
    seed = random.randint(1, 100000000)  # 生成随机种子
    stream = False  # 假定为非流式推理
    speed = 1.0  # 默认速度

    audio = inference(tts_text, seed, stream, speed)  # 调用推理函数生成音频

    # 保存生成的音频
    output_file = "output.wav"  # 输出音频文件名
    scipy.io.wavfile.write(output_file, target_sr, audio)  # 保存音频为wav格式
    print(f"音频已保存为 {output_file}")  # 提示音频保存成功

    # 播放生成的音频
    play_audio(audio)  # 播放生成的音频

# --------------- 主函数 ---------------
def main():
    initialize_globals(MODEL_DIR)  # 初始化全局变量和模型

    while True:  # 使用无限循环，允许用户多次输入文本
        tts_text = input("请输入合成文本（输入'exit'退出）：")  # 输入要合成的文本
        if tts_text.lower() == 'exit':  # 检查用户是否输入'exit'
            print("退出程序。")  # 提示退出
            break  # 退出循环
        
        generate_audio(tts_text)  # 生成并播放音频

if __name__ == '__main__':
    main()  # 调用主函数