小白必看：GLM-TTS文本转语音快速入门指南

1. 快速上手，5分钟生成你的第一段AI语音

你有没有想过，只需要几秒钟的录音，就能让AI模仿出一模一样的声音？还能用这个声音读出你想说的任何话——无论是中文、英文，还是中英混合内容？这不再是科幻电影里的桥段，而是GLM-TTS已经实现的能力。

这款由智谱AI推出的开源文本转语音模型，支持零样本语音克隆、情感迁移和精细化发音控制，最棒的是，它已经被科哥打包成了开箱即用的镜像，连部署都省了。本文就是为你这样的新手准备的，不需要懂代码、不用配环境，一步步教你如何用GLM-TTS生成属于你自己的AI语音。

1.1 为什么选择GLM-TTS？

在众多TTS工具中，GLM-TTS有几个特别吸引人的地方：

只需3秒音频就能克隆音色：不用训练，不用标注，上传一段清晰人声，立刻复现。
支持多种情感表达：参考音频是开心的，生成的声音也会带着笑意；是严肃的，输出也自然庄重。
能精准控制多音字发音：比如“重庆”读作“chóng qìng”还是“zhòng qìng”，可以自定义。
操作简单，有Web界面：不需要敲命令行，点点鼠标就能完成合成。

无论你是想做有声书、短视频配音，还是打造专属客服语音，GLM-TTS都能帮你轻松实现。

1.2 如何启动？两步搞定

镜像已经预装好了所有依赖，你只需要做两件事：

启动Web界面（推荐方式）

打开终端，输入以下命令：

cd /root/GLM-TTS source /opt/miniconda3/bin/activate torch29 bash start_app.sh

⚠️ 注意：每次启动前必须先激活torch29虚拟环境，否则会报错。

等几秒钟，看到类似Running on local URL: http://localhost:7860的提示后，在浏览器中访问：

👉http://localhost:7860

你就进入了GLM-TTS的图形化操作界面，接下来的一切都可以用鼠标完成。

2. 基础语音合成：从输入文字到听到声音

现在你已经打开了Web界面，下面我们就来生成第一段AI语音。整个过程分为五个步骤，非常直观。

2.1 第一步：上传参考音频

这是最关键的一步——你要告诉AI：“请用这个声音来朗读。”

点击「参考音频」区域，上传一个3–10秒的清晰人声录音。
支持格式：WAV、MP3等常见音频格式。
建议使用无背景噪音、单一说话人的录音，效果最好。

📌小贴士：如果你没有现成录音，可以用手机录一句“今天天气真不错”，保持语速平稳，环境安静即可。

2.2 第二步：填写参考文本（可选但推荐）

在「参考音频对应的文本」框中，输入你刚刚录音的内容。

例如：

今天天气真不错

虽然这一步不是必须的，但填了之后，AI能更准确地对齐音色和发音节奏，提升克隆效果。

2.3 第三步：输入要合成的文本

在「要合成的文本」框中，输入你想让AI朗读的内容。

GLM-TTS支持：

中文
英文
中英混合

比如你可以试试：

Hello，欢迎使用GLM-TTS语音合成系统，这是一个中英混合的测试句子。

建议单次输入不要超过200字，太长会影响生成速度和稳定性。

2.4 第四步：调整参数（新手建议用默认）

点击「⚙️ 高级设置」展开选项，这里有几个关键参数：

参数	说明	推荐值
采样率	决定音质高低	24000（速度快）或 32000（质量高）
随机种子	控制生成结果的随机性	42（固定值，便于复现）
启用 KV Cache	加速长文本生成	✅ 开启
采样方法	影响语调自然度	ras（推荐）

📌给新手的建议：第一次使用时，全部保持默认即可，先感受效果。

2.5 第五步：开始合成！

点击「🚀 开始合成」按钮，等待5–30秒（取决于文本长度和GPU性能），系统就会自动播放生成的音频。

同时，音频文件也会保存下来，路径是：

@outputs/tts_20251212_113000.wav

文件名中的时间戳确保每次生成都不会覆盖之前的成果。

3. 批量生成：一键处理上百条语音

如果你需要为课程录制几十段讲解，或者为商品生成大量广告语，手动一条条合成显然太慢了。这时候就要用到GLM-TTS的批量推理功能。

3.1 准备任务文件（JSONL格式）

创建一个名为tasks.jsonl的文件，每行是一个JSON对象，代表一个合成任务：

{"prompt_text": "这是第一段参考文本", "prompt_audio": "examples/prompt/audio1.wav", "input_text": "要合成的第一段文本", "output_name": "output_001"} {"prompt_text": "这是第二段参考文本", "prompt_audio": "examples/prompt/audio2.wav", "input_text": "要合成的第二段文本", "output_name": "output_002"}

字段说明：

prompt_audio：参考音频路径（必填）
input_text：要合成的文本（必填）
prompt_text：参考音频的文字内容（可选）
output_name：输出文件名（可选，默认按序号命名）

3.2 在Web界面上操作

切换到「批量推理」标签页
点击「上传 JSONL 文件」
设置采样率、随机种子、输出目录（默认@outputs/batch）
点击「🚀 开始批量合成」

系统会逐条处理，并在完成后打包成ZIP文件供你下载。

生成的音频存放在：

@outputs/batch/output_001.wav @outputs/batch/output_002.wav ...

非常适合用于自动化生产场景。

4. 高级玩法：让你的AI语音更专业

当你熟悉了基础操作后，就可以尝试一些高级功能，让语音合成更加精准和可控。

4.1 精准控制多音字发音（音素模式）

你有没有遇到过AI把“重庆”读成“zhòng qìng”？这种错误在正式场合很尴尬。GLM-TTS提供了一个强大的解决方案：音素级控制。

通过修改配置文件configs/G2P_replace_dict.jsonl，你可以强制指定某些词的发音：

{"word": "重庆", "phonemes": ["chong2", "qing4"]} {"word": "血泊", "phonemes": ["xue4", "po1"]} {"word": "叶公好龙", "phonemes": ["ye4", "gong1", "hao4", "long2"]}

保存后，在命令行启用音素模式：

python glmtts_inference.py --data=example_zh --exp_name=_test --use_cache --phoneme

这样就能确保关键术语永远读对，特别适合教育、医疗、法律等专业领域。

4.2 情感迁移：让AI“带情绪”地说话

GLM-TTS不会机械地朗读，它能“继承”参考音频的情感风格。

试试这样做：

用一段激情澎湃的演讲录音作为参考音频
输入一段普通新闻稿
你会发现生成的语音也充满了感染力

反过来，如果你用播音员冷静播报的音频做参考，哪怕输入的是诗歌，输出也会显得克制理性。

💡 应用建议：

客服语音 → 使用温和、亲切的语气录音
紧急通知 → 使用稍快节奏、有力的语调
儿童故事 → 使用活泼、夸张的情绪表达

4.3 流式推理：低延迟生成，适合实时应用

对于需要实时响应的场景（如虚拟主播、智能助手），GLM-TTS支持流式推理，可以逐段生成音频，降低延迟。

特点：

Token生成速率：约25 tokens/秒
适合集成到对话系统中
可配合WebSocket实现实时传输

虽然WebUI目前主要面向离线生成，但开发者可以通过调用底层API实现流式输出。

5. 实用技巧与常见问题解答

用了这么久，我发现有些细节特别影响体验。下面这些是我总结出来的实用建议，帮你少走弯路。

5.1 如何获得最佳音色还原效果？

✅推荐做法：

使用3–10秒清晰人声，最好是5–8秒
单一说话人，无背景音乐或噪音
语速平稳，情感自然
提供准确的参考文本

❌避免情况：

电话录音（音质差）
多人对话（干扰音色提取）
过短（<2秒）或过长（>15秒）
带强烈口音或方言（除非专门为此设计）

5.2 文本输入有哪些注意事项？

正确使用标点符号：句号、逗号会影响停顿和语调
长文本建议分段处理：每段100字左右，效果更好
中英混合没问题，但尽量避免频繁切换语言
不要用网络缩写如“yyds”“u1s1”，AI可能读不准

5.3 常见问题快速排查

问题	解决方法
音频生成失败	检查参考音频是否损坏，路径是否正确
音色不像	更换更清晰的参考音频，补充参考文本
生成太慢	使用24kHz采样率 + 开启KV Cache
显存不足	关闭其他程序，合成后点击「🧹 清理显存」
批量任务出错	检查JSONL格式是否合法，音频路径是否存在