使用facebook/mms-tts-eng模型时遭遇ushort格式错误，求解决方案

错误原因 #

scipy.io.wavfile.write默认会将输入的浮点型音频数据尝试转换为无符号短整型（ushort）存储，但Facebook MMS-TTS模型输出的waveform数据范围是**[-1.0, 1.0]**，远超出ushort的合法取值区间（0 ≤ 数值 ≤ 65535），导致格式转换失败触发报错。

解决步骤 #

• 将模型输出的浮点波形数据缩放到ushort的合法范围，再转换为对应的数据类型
• 修改保存WAV的代码逻辑，确保数据格式匹配

修改后的完整代码 #

from transformers import VitsModel, AutoTokenizer
import torch
import scipy
import numpy as np

model = VitsModel.from_pretrained("facebook/mms-tts-eng")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-eng")

text = "some example text in the English language"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

# 关键修改：将[-1.0,1.0]的浮点数据映射到ushort的[0,65535]范围并转类型
audio_data = (output.cpu().float().numpy() + 1.0) * 32767.5
audio_data = audio_data.astype(np.uint16)

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=audio_data)

关键说明 #

• 缩放公式(output + 1.0) * 32767.5的作用：把原数据的最小值-1映射为0，最大值1映射为65535，刚好覆盖ushort的全部合法区间
• 转换为np.uint16类型后，scipy就能正确识别并保存为标准的16位无符号PCM格式WAV文件

内容的提问来源于stack exchange，提问作者popstick