加载Mozilla TTS训练输出的pth格式Tacotron2模型报错问题

• 模型实现不匹配：当前实例化用的是torchaudio.models.tacotron2下的Tacotron2类，和Mozilla TTS框架内置的Tacotron2在模块嵌套逻辑、层参数命名、默认结构配置上完全不一致，所以加载时会出现大量参数键缺失的报错。
• 检查点格式不匹配：Mozilla TTS输出的.pth文件是完整训练检查点，并非纯模型权重字典，除了模型参数外还打包了训练配置、优化器状态、混合精度缩放器状态、训练步数、训练轮次、保存时间、模型损失值等元信息，也就是报错里提到的config/model/optimizer等多余键，直接将整个检查点传入load_state_dict必然触发键不匹配错误。

• 替换模型实例化逻辑：放弃使用torchaudio提供的Tacotron2实现，改用Mozilla TTS框架自带的Tacotron2类，同时加载训练产出的config.json初始化模型，保证模型结构、网络维度和训练时完全一致。
• 提取检查点内的纯权重：加载pth文件后，先取出检查点字典中model键对应的纯模型权重，再传入load_state_dict完成加载。

可直接参考的正确加载代码：

import torch
# 导入Mozilla TTS内置的模型与配置加载工具
from TTS.tts.models.tacotron2 import Tacotron2
from TTS.config import load_config

# 加载训练时的配置文件，确保结构参数完全对齐
config = load_config("models/config.json")
tacotron2 = Tacotron2(config)

# 加载完整检查点，提取模型权重字段
checkpoint = torch.load("models/best_model.pth", map_location="cpu")
tacotron2.load_state_dict(checkpoint["model"], strict=True)

# 推理前切换到评估模式
tacotron2.eval()

注意：不要尝试手动做键名映射把Mozilla TTS的权重塞到torchaudio的Tacotron2结构里，两个实现除了键名差异，在注意力计算逻辑、张量维度顺序、预处理后处理规则上都有隐式差异，强行匹配后推理输出会完全异常。

内容的提问来源于stack exchange，提问作者Reza