如何用预训练VITS模型实现未见过说话人的语音合成？

你已完成基于VCTK数据集的预训练VITS模型的基础TTS合成操作，要实现零样本（Zero-shot）跨说话人合成（即合成训练集外未见过的说话人语音），只需通过指定参考音频路径即可实现，具体命令示例和注意事项如下：

核心命令示例 #

使用--speaker_wav参数替换原有的--speaker_idx，指定目标说话人的参考音频即可完成零样本合成：

!tts --text "Working on a big project. Good wishes!" \
--out_path /content/zero_shot_speech.wav \
--model_name tts_models/en/vctk/vits \
--speaker_wav /content/reference_speaker.wav

关键注意事项 #

• 参考音频需为清晰无杂音的语音片段，建议时长在5-15秒，内容自然连贯（比如一段日常说话录音）
• 确保参考音频的路径正确，若在Colab环境中，需先将音频文件上传至对应目录（如/content/）
• 该预训练VITS模型原生支持零样本跨说话人合成，无需额外进行模型微调操作

内容的提问来源于stack exchange，提问作者Adil Ahmed Chowdhury