Fish Speech 是一个由 Fish Audio 于 2024 年开发的开源文本转语音（TTS）模型，它能够生成高质量、自然的语音。这个模型经过了大约 15 万小时的数据训练，能够熟练掌握中文、日语和英语，其语言处理能力接近人类水平，并且声音表现形式丰富多变。作为一个亿级参数的模型，Fish Speech 设计高效轻量，可以在个人设备上轻松运行和微调，成为用户的私人语音助手。

使用云平台：OpenBayes

http://openbayes.com/console/signup?r=sony_0m6v

登录到 OpenBayes 平台后，打开「公共教程」，找到「Fish Speech v1.4 声音克隆-文本转语音工具 Demo」的教程。

进入到教程界面后，点击右上角「克隆」。

平台在克隆过程中以自动为我们配置好了模型文件，点击「下一步：选择算力」。

平台会自动选择合适的算力资源和镜像版本，这里使用的是英伟达 RTX 4090 的算力和 PyTorch 的镜像，点击「审核并执行」。可以使用文章开头的邀请链接，获得 RTX 4090 使用时长！

确认模型信息无误后，点击「继续执行」。

稍等片刻，待系统分配好资源，状态栏显示为「运行中」后，将鼠标悬停在 API 地址处，点击链接进入模型。进入 API 地址需要先进行实名认证~

进入模型后，我们可以在「Input Text」中输入我们想要转为语音的文字，比如在里面输入「走得最急的，都是最美的风景；伤得最深的，也总是那些最真的感情。收拾起心情，继续向前走，就会发现：错过花，你将收获雨，错过雨，你会遇到彩虹。」

在「Advanced Config」处调整参数：

• Iterative Prompt Length：迭代提示长度，指在生成文本时，模型将考虑的前文长度。

• Maximum tokens per batch：批次最大标记数，限定了在每个批次中模型可以生成的最大标记（token）数。

• Top-P：核采样，一种文本生成策略，模型在生成每一个新词时只考虑累积概率大于 P 的最小集合的词。

• Repetition Penalty：重复惩罚，用于减少生成文本中的重复内容。

• Temperature：温度，控制生成文本的随机性。

如果选择「Reference Audic」，模型将会提供一个语音模板，用户上传一段音频，模型就会根据音频的音色来生成特定的语音。

「Batch Inference」则表示生成语音的个数，默认值为「1」。

最后点击「Generate」生成。