如何在自建网站中提供自定义TTS语音合成服务？

原有方案的优化方向 #

你原本的Flask API+Django调用的架构逻辑是通顺的，只要针对两个核心问题调整即可落地：

• 算力成本：无需租用GPU服务器，对现有TTS模型做CPU量化优化即可，短句场景下普通CPU服务器完全够用。2核4G的入门级轻量云服务器（年成本仅数百元）就可以支撑日均数百次的试用请求，若访问量更低，1核2G的入门配置也能跑通。PyTorch框架的模型只需2行代码即可完成INT8量化：

  import torch
  model = torch.quantization.quantize_dynamic(model, {torch.nn.Linear}, dtype=torch.qint8)
  

  量化后推理速度可提升2-3倍，内存占用降低50%以上，10字以内的短句合成通常1-3秒即可完成。
• 长连接超时问题：放弃同步等待返回的POST请求逻辑，改用异步任务+轮询的模式即可，全程无需维持长连接：
  1. 前端提交合成请求后，Django端直接生成唯一任务ID返回给前端，同时将任务丢入后台队列，前端立即展示「合成中」提示
  2. 后台服务按队列顺序执行TTS合成，完成后将生成的MP3文件和任务ID绑定存储
  3. 前端拿到任务ID后，每隔1-2秒主动查询一次任务状态，查询到合成完成后直接加载返回的MP3地址播放即可

更简便的轻量化实现方案 #

如果不想维护Flask、Django两套服务，可以直接把TTS逻辑集成到现有Django站点中，省掉额外的API开发和运维成本：

• 直接将你现有的TTS Python脚本封装为Django内部可调用的函数，无需单独搭建Flask-Restful接口
• 异步队列可以选用轻量的django-background-tasks组件，无需额外部署RabbitMQ等消息队列服务，配置成本极低
• 生成的试用MP3文件可以存在本地硬盘，设置定时任务每24小时清理一次过期文件即可，无需额外购买对象存储服务

注意事项 #

• 建议限制试用的单条文本长度，比如最多支持50字，既控制合成时长，也避免资源被恶意占用
• 可以加简单的频率限制，比如单个IP每天最多调用5次，进一步降低服务器压力

内容的提问来源于stack exchange，提问作者Unkorneg