这图片来自于murf.ai的图片，来自murf.ai。
TTS这个技术已经存在了一段时间了。但直到最近，TTS的质量和准确性才变得和真人说话非常接近。ElevenLabs因为能非常准确地模仿流行人物的声音而变得非常有名。在这篇文章中，我们将对比ElevenLabs和两个流行的自托管TTS程序Applio和Alltalk。
⚠️警告⚠️：本文中我引用的示例书籍《了不起的盖茨比》包含性别偏见、种族歧视、家暴及其他有争议的话题。我并不支持或赞同其中任何观点，只是因为这是我在藏书中唯一一本进入公共领域的书籍而选择了它。
我将用我的配备RTX 4060和8GB VRAM的笔记本电脑来运行自托管的TTS应用程序。
ElevenLabs声音合成
ElevenLabs 标志
我们将从ElevenLabs开始定下高标准。设置方面，我只需要注册账号。注册账号后，我获得了一万字符的试用额度，试用了一番后，我选定了Rachel音色，稳定性50%，相似度75%，夸张风格20%，没有开启说话者增强。
没有足够的积分来处理整本书的内容，所以我只处理了第一章的一部分（大约5000个字）。处理速度很快，大约5到7秒之间，声音听起来像是用中档麦克风录的。
ElevenLabs-The-Great-Gatsby.mp3drive.google.com链接：https://drive.google.com/file/d/1CApply4JmNa4nCn8lP60a36aykZcQa1b/view?usp=sharing&source=post_page-----2990e517f829--------------------------------
Applio - 这是一个关于Applio的链接，你可以在这里找到更多信息。
Applio标志
尽管在这篇文章中我们只是将其用于文本转语音，Applio 实际上还有很多其他功能。它还支持变声音频，预录的音频，并能用新声音来训练模型。
Applio的安装花费了更长的时间，因为它需要本地运行才能正常工作。运行安装脚本后，启动需要30秒左右，然后在我的浏览器中打开了网页界面。我需要下载一个模型才能开始使用TTS。在Applio网站上选择了一个预训练的模型后，下载模型就像在界面上输入链接那样简单。在TTS页面上，我有两个声音选择：一个是新下载的RVC模型，另一个是基础TTS声音。我认为Applio的做法是先用基础TTS生成语音，再用RVC模型改进音质。
然后我花了大约30分钟调整高级设置，直到我满意为止。然而，当我尝试让它处理《了不起的盖茨比》时，程序崩溃了。为了解决这个问题，我不得不将文本拆分成大约15000字符的块来处理。
Applio 大约花了 1798 秒处理所有的片段（总共约 260000 个字符）。差不多等于半小时。音质一般般，就像用笔记本电脑自带的麦克风录的一样。
Applio-The-Great-Gatsby.wav https://drive.google.com/file/d/152KaaviDi4PIBwQvGiXQWnLqjR_VXc7G/view?usp=sharing&source=post_page-----2990e517f829-------------------------------- Alltalk（一个开源的语音合成工具）
Alltalk标志
Alltalk的设置与Applio类似。我运行了脚本，等待一会儿后，一个网页界面打开了。Alltalk设计为API形式，而不是独立应用程序，并且提供了与Text Generation WebUI集成的选项，以便用户可以更方便地使用。网页界面不仅用于更改设置，还包含一个用于测试的部分。我启用了deepspeed并关闭了low vram，这样可以让它发挥最大的优势。
Alltalk 处理文本耗时 5719 秒，相当于大约 95 分钟。还好应用自动将书分成了多个部分，这样就避免了内存不足的问题。音频质量明显比其他应用差，听起来就像是用廉价耳机自带麦克风录制的。这可能是因为Alltalk目前没有RVC支持，但第二版将会加入此项功能。
Alltalk-The-Great-Gatsby.wav 点击链接查看《了不起的盖茨比》的音频文件。 最后自那些早期的机械式屏幕阅读器以来，TTS程序已经有了很大的进步。如果你需要为一个离线项目使用TTS，或者不想支付云端解决方案，我推荐使用Applio，它的质量相当不错。否则，当谈到真实性和速度时，Elevenlabs依然是最棒的选择。
随时随地看视频
