GLM-TTS 是智谱AI开源的一个新型的文本转语音（TTS）系统，它能在“零样本”条件下模仿声音，在极少的语音样本模仿声音，生成自然、有情绪的语音，并且让合成语音更有情感和表现力。它的特点是可控、自然、支持实时推理。
GLM-TTS 就像是“情感版的语音生成器”，不仅能把文字变成声音，还能让声音带上情绪和个性。它的应用场景非常广泛，尤其适合需要自然、富有表现力语音的领域。
GLM-TTS 测试下来，相比同类文本转语音系统，除了克隆音色相似度更高外，在情感表达和自然度方便也更好，还有就是长文本生成更稳定，且速度快，生成的音频质量也更高。缺点是对显卡要求高，至少需要8G显存，长文本对显卡要求更高。
今天分享的 GLM-TTS 一键包，基于原版WebUI，新增了音色管理功能，支持自定义保存和加载音色；新增批量生成功能，支持一键上传多个txt文档批量生成语音。批量生成需要更多的显存资源，大家根据自己显卡选择批量生成的数量。
下载地址：点此下载
主要特点
零样本语音克隆：只需 3–10 秒的语音片段，就能快速模仿目标声音。
情感控制：通过多奖励强化学习（GRPO），让语音带有情绪和表现力，而不是平淡机械。
高质量合成：生成的语音在清晰度和自然度上接近商业系统，并且字符错误率（CER）更低。
精细控制：支持“音素 + 文本”混合输入，能精确控制发音，尤其适合多音字。
实时推理：支持流式生成，适合需要即时反馈的场景。
双语支持：针对中英文混合文本进行了优化。
应用领域
虚拟助手与客服机器人：让语音更自然、更有情感，提升用户体验。
有声读物与播客：快速生成不同风格和情绪的朗读，减少人工录音成本。
游戏与虚拟角色：为 NPC 或虚拟角色生成个性化、有情感的声音。
教育与培训：在语言学习或在线课程中提供更生动的语音讲解。
无障碍应用：帮助视障人士获得更自然的语音反馈。
使用教程：（建议N卡，显存8G起，支持50系显卡）
分别下载主程序压缩包和模型（ckpt文件夹），解压主程序，移动ckpt目录到主程序下即可。
上传需要克隆的参考音频，输入参考文本，输入需要生成文字内容，设置相关参数，生成即可。
音色管理：上传需要保存的音色音频和参考文本，输入音色名称，保存。右侧加载音色，选择音色，输入需要生成的文字内容，生成即可。
批量生成：批量上传多个txt文本文档，刷新音色，选择音色，批量生成。生成结果保存在 batch_outputs 目录，可一键下载打包文件。
实测8G显存开启共享显存也能运行，但速度略慢，建议10G起，长文本建议12G显存起。
软件目录结构：
📂 ckpt/
├── 📂 flow/
│ │ └── flow.pt
│ ├── 📂 llm/
│ │ └── model-00001-of-00002.safetensors
│ └── 📂 vq32k-phoneme-tokenizer/
│ └── tokenizer.model
📂 deepface/
📂 tools/
......
