Windows10下RTX A5000基于CUDA11.x运行Coqui TTS训练的安装方法咨询

一、前置环境准备 #

• 安装Python3.10.8：去Python官网下载对应版本，安装时一定要勾选「Add Python to PATH」，不然后续命令行找不到Python。
• 安装CUDA11.8：去NVIDIA官网下载CUDA Toolkit 11.8，默认安装即可，安装完成后不用手动改环境变量，安装程序会自动配置。
• 安装Git：官网下载Git，全程默认选项安装，确保打开命令行输入git能正常运行。

二、创建独立虚拟环境（避免和其他软件冲突） #

打开命令提示符（CMD）或者PowerShell，依次执行以下命令：

• 先装虚拟环境工具：pip install virtualenv
• 创建专属的Coqui TTS环境：virtualenv coqui-tts-env
• 激活这个环境：
  • CMD里输：coqui-tts-env\Scripts\activate.bat
  • PowerShell里输：.\coqui-tts-env\Scripts\Activate.ps1
    激活成功后，命令行开头会显示(coqui-tts-env)，说明当前操作都在这个独立环境里。

三、安装Coqui TTS及依赖 #

在激活的虚拟环境里执行：

• 先升级pip到最新版：pip install --upgrade pip
• 安装Coqui TTS：pip install TTS
• 验证安装：输入tts --list_models，如果能列出一堆可用模型，就说明安装没问题。

四、测试运行预训练模型 #

随便选个模型生成语音试试，比如中文模型：
tts --text "你好，这是Coqui TTS的测试语音" --model_name "tts_models/zh-CN/baker/tacotron2-DDC-GST" --out_path "test.wav"
执行完后，当前目录会生成test.wav，打开就能听到语音。

五、训练自定义模型（基础版步骤） #

1. 准备训练数据：把你的音频文件（建议用wav格式，采样率设为22050Hz）和对应的文本标签整理成CSV文件，格式如下：

wav_path|text
./audio/1.wav|今天天气不错
./audio/2.wav|我喜欢用Coqui TTS做语音训练

2. 生成基础配置文件：在命令行输入tts --init_config config.json，当前目录会生成一个config.json配置文件。
3. 修改配置文件：打开config.json，找到dataset_path改成你的音频和CSV文件所在的目录；调整batch_size（RTX A5000显存足够，设16或32都行）；设置output_path为训练结果的保存路径。
4. 启动训练：tts --train --config_path config.json
   训练过程中，模型会自动保存在你设置的output_path里。训练完成后，用自己的模型生成语音：
   tts --text "测试我的自定义模型" --model_path ./output_path/best_model.pth --config_path ./output_path/config.json --out_path custom_test.wav

内容的提问来源于stack exchange，提问作者matbardeli