如何在Python中用PyAudio播放Coqui TTS生成的NumPy数组音频

你遇到的问题核心是Coqui TTS输出的numpy数组格式和PyAudio的播放要求不匹配，再加上PyAudio只认字节数据而非数组。下面是具体解决步骤和修正后的代码：

问题根源 #

1. Coqui TTS默认输出float32类型的numpy数组，取值范围在[-1, 1]之间，但你配置的PyAudio格式paInt16需要的是16位整数（范围[-32768, 32767]）。
2. 手动设置的CHANNELS=2和RATE=16000不一定和所选TTS模型的实际输出参数匹配，必须严格对齐。
3. PyAudio的stream.write()方法只接受字节对象，不能直接传入numpy数组。

解决步骤 #

1. 获取模型真实音频参数：通过TTS实例的内置属性获取准确的采样率和通道数，不要硬编码。
2. 转换数组格式：把float32数组缩放到int16的取值范围，再转成字节数据。
3. 对齐PyAudio配置：用模型的真实参数初始化PyAudio流。

修正后的代码 #

from TTS.api import TTS
import pyaudio
import numpy as np

# 初始化TTS模型
model_name = TTS.list_models()[0]
tts = TTS(model_name)

# 设置文本、发音人和语言
text = "King Charles III. King of the United Kingdom and 14 other Commonwealth realms. Prince Charles acceded to the throne on September 8 2022 upon the death of his mother, Queen Elizabeth II. He was the longest-serving heir apparent in British history and was the oldest person to assume the throne, doing so at the age of 73."
speaker = tts.speakers[0]
language = tts.languages[0]

# 生成音频numpy数组
audio_np = tts.tts(text, speaker=speaker, language=language)
audio_np = np.array(audio_np)  # 确保输出为numpy数组

# 获取模型的真实音频参数
sample_rate = tts.synthesizer.output_sample_rate
channels = tts.synthesizer.config.audio.num_channels

# 将float32数组转换为PyAudio支持的int16字节数据
# 先缩放范围：[-1,1] → [-32768, 32767]
audio_int16 = (audio_np * 32767).astype(np.int16)
# 转换为字节对象
audio_bytes = audio_int16.tobytes()

# 初始化PyAudio并播放
p = pyaudio.PyAudio()
stream = p.open(
    format=pyaudio.paInt16,
    channels=channels,
    rate=sample_rate,
    output=True
)

# 播放音频
stream.write(audio_bytes)

# 清理资源
stream.stop_stream()
stream.close()
p.terminate()

关键改动说明 #

• 用tts.synthesizer的内置属性获取真实的采样率和通道数，避免硬编码导致的参数不匹配。
• 添加了格式转换流程：先把float32音频数据缩放至int16的合法范围，再转成PyAudio能识别的字节对象。
• 确保audio_np是标准numpy数组（部分场景下TTS可能返回列表，需手动转换）。

如果仍有问题，可以先打印audio_np.dtype、sample_rate、channels的值，确认参数是否正确。

内容的提问来源于stack exchange，提问作者rupertbj