简介：RHVoice是一款免费开源的语音合成器，采用统计模型与HTS语音合成技术，面向有语音合成开发需求或想研究TTS原理的开发者、研究者。它支持俄语、美式英语、巴西葡萄牙语、世界语、乌克兰语、格鲁吉亚语、吉尔吉斯语、鞑靼语等多种语言，并能通过现有开源语音技术扩展更多语种，可运行于Windows、Linux、Android等主流平台，兼容SAPI5、GNU/Linux及Android文本到语音接口。本次打包的源码资源共1673个文件，包含C/C++/Java核心源码、头文件与构建脚本（如configure、gradle、sconstruct），以及PDF文档、文本说明、语音模型训练与转换工具脚本（fst、params、praat等），压缩包约179.54MB。目录结构清晰，便于按模块查阅。目前已有736人学习下载。通过研读这份代码与模型构建工具链，读者可以深入理解基于HTS的统计参数语音合成流程，掌握跨平台TTS库的编译集成方法，还可基于已有语种资源扩展新语言支持，适合作为学习语音合成和二次开发的实用参考。
1. 为什么装 RHVoice：离线能念俄语的免费 TTS 引擎
想给一个俄语学习工具加上朗读功能，第一反应是找在线 TTS 接口，结果不是限字数就是要求联网，本地离线合成这条路始终绕不过去。翻了一圈开源项目，RHVoice 是少有的、直接拿来就能用的免费语音合成引擎（speech synthesis），核心引擎开源，对非商业用途相当友好，而且不只是俄语——英语、世界语、乌克兰语、格鲁吉亚语、吉尔吉斯语、鞑靼语、巴西葡萄牙语都有对应的语音资源，覆盖面和 HTS 体系的契合度在同类项目里算很突出的。
装上它之后能干什么：命令行里一句文本就能合成 WAV，也能接成系统级 TTS 语音给其他软件调用。装不好也挺折磨人——编译依赖缺一个就报错，音库路径填错就合成出电流声，systemd 服务起不来更是家常便饭。这篇笔记按照我实际部署的完整顺序来写：从选版本、准备环境，到编译安装、调音色调语速，最后到验证跑通。适合想把 TTS 真正落到项目里的开发者，尤其是正在 Linux 服务器上折腾离线语音合成的人。
2. 装前摸底：版本差异与跨平台环境清单
2.1 三端形态：Android 客户端、Windows 安装包与 Linux 命令行工具
RHVoice 不是一个只有单一形态的程序。Android 上它是个独立 APK，装好后系统设置里多一个语音引擎，第三方应用可以调用；Windows 上有安装包，装完注册为系统语音，使用 SAPI5 的程序全能识别；Linux 这边则分两类：一类带图形界面的桌面客户端，另一类是纯命令行工具和共享库。
服务器部署一般走 Linux 纯命令行这条线，这也是整篇文章的重点场景。但要注意一个细节：Linux 的桌面客户端和服务器端编译选项不同，桌面端需要 GUI 相关依赖，而如果你只是要文本转 WAV 的合成能力，完全可以在 CMake 阶段把客户端组件关掉，不让它去拉一堆用不到的库。提前想清楚你要在哪一端用，能省掉后面很多清理依赖的时间。
2.2 核心依赖与编译工具链：哪些是必需，哪些可以裁剪
先明确一件事：RHVoice 的依赖分两拨。一拨是编译核心库和命令行工具必需的；另一拨是为客户端、音频播放、重采样等功能服务的可选依赖。如果你照着文档一把梭全装，当然也行，但服务器上能少装就少装，编译时长和故障面都小很多。
表：依赖清单与裁剪建议
| 组件 | 依赖项 | 不装的后果 |
|---|---|---|
| 核心库 | C++ 编译器（g++ 或 clang）、CMake、基础头文件 | 编译直接失败，没有变通余地 |
| 命令行工具 RHVoice-test | 无额外第三方库 | 裁剪后可正常使用，推荐只留这条链 |
| 音频输出/播放支持 | libpcaudio、sonic 库 | 播放和变速功能弱化，但文件合成不受影响 |
| 文本编码探测 | uchardet | 非 UTF-8 输入会出现乱码，建议保留 |
| GUI 客户端 | GTK/Qt 相关开发库 | 不编译客户端就完全不需要 |
编译顺序上我一般会先确认 CMake 版本和编译器版本。CMake 太旧会报不认识的选项，g++ 版本太老则可能有 C++11 标准兼容问题。发行版的包管理器直接装依赖即可，不用纠结精确版本号，以你所用系统的仓库为准。
2.3 语音数据不是越新越好：HTS 语音与 Festival 语音的差异
RHVoice 的语音资源主要有两大来源：HTS 格式语音库和 Festival 语音库。.htsvoice 文件是用 HTS 工具链训练出来的，后缀明确，内部封装了决策树和模型参数；Festival 体系的老语音库则是一组参数文件的组合，没有统一的单文件封装。
部署时最直接的差异体现在配置上。HTS 语音库在配置里通常指定到具体的 .htsvoice 文件，路径精确到文件名；Festival 语音库则是指到一个目录，由程序按约定去找里面的模型文件。这意味着你拿到别人的配置直接抄过来时，经常遇到路径指向不对的问题——不是配置写错了，而是语音库格式不同、路径粒度不同。
另外注意采样率匹配。旧版 Festival 语音库多数是 16 kHz，而 HTS 新训练的语音有 22.05 kHz 甚至 48 kHz 的版本。合成端如果按默认输出参数跑高采样率、音库本身只有 16 kHz，听感差异先不说，波形文件的信息量会显得很空。下一章开始实操，先把源码和音库正确落到磁盘上。
3. 下载与编译安装：把 RHVoice 从源码装到服务器上
3.1 获取源码与准备目录
源码获取走官方仓库就行。服务器上我先建一个独立的部署目录，把源码放进去，不跟其他项目混在一起，后面升级或者排查路径也方便。
mkdir -p /opt/rhvoice/{src,data,output} cd /opt/rhvoice/src git clone <RHVoice官方仓库地址> ./clone 完先不要急着编译。/opt/rhvoice/data 是等一下放语音库的目录，output 用来放合成出来的音频文件。仓库地址如果访问慢，可以换镜像源，但要注意分支一致性。clone 完成后检查一下目录里有没有 README 和 CMakeLists.txt，有这两个文件再继续往下走，避免下成空目录白折腾。
3.2 CMake 配置与编译：照着这套参数来
签出源码后打开 CMakeLists.txt 看一眼有哪些开关。RHVoice 的 CMake 选项主要集中在：是否构建客户端程序、是否构建共享库、是否启用某几个音频依赖。我的习惯是最小化编译，只保留核心库和命令行工具，这样依赖少、编译快，也方便后续维护。
cd /opt/rhvoice/src cmake -S . -B build \ -DCMAKE_INSTALL_PREFIX=/opt/rhvoice \ -DBUILD_CLIENT=OFF \ -DBUILD_LIBRARY=ON \ -DBUILD_TESTING=OFF \ -DUSE_PCAUDIO=OFF \ -DUSE_SONIC=OFF cmake --build build -j$(nproc) cmake --install build这段命令里，CMAKE_INSTALL_PREFIX 指定安装根目录，避免直接散落到系统目录里。BUILD_CLIENT 关掉是为了不编译 GUI 客户端，BUILD_LIBRARY 打开让动态库正常生成。USE_PCAUDIO 和 USE_SONIC 关掉，是因为我们对实时播放和变速没需求，纯粹为了合成文件，裁剪这些依赖能让编译过程少踩很多坑。如果你是要给桌面应用集成，则这两个开关保持 ON，库也要装上。
编译过程如果报缺头文件，先别急着全盘装依赖，用报错信息里的文件名去确认是哪一个组件缺的。缺的是核心头文件就必须装，缺的是可选组件就直接关掉对应选项，这是最快的路径。
装完记得刷新动态库缓存：
echo "/opt/rhvoice/lib" > /etc/ld.so.conf.d/rhvoice.conf ldconfig这里把安装目录下的 lib 写进动态库搜索路径，否则运行 rhvoice-test 时大概率会报找不到 libRHVoice 之类的错误。 /etc/ld.so.conf.d/ 下的文件命名随意，但后缀必须是 .conf 才会被 ldconfig 读入。
3.3 Windows 与 Android 的快速上手路径
Windows 用户不适合走源码编译这条路。官方为 Windows 提供了现成安装包，装完之后系统里会多出对应的语音合成声音，用支持 SAPI5 的软件直接选语音即可。安装时注意看语音包有没有全选，默认可能只装了俄语，英语等语言需要单独勾选，装错或缺语言包的表现是合成时只出俄语声音或者干脆无输出。
Android 端更简单，装好 APK 后在系统 TTS 设置里切换到 RHVoice 引擎，再在应用内选择你想要的语音语言。有些第三方应用不识别新引擎，需要重启应用才能出现在语音列表里。这两个端本质上都是把核心引擎包装成系统服务，这里的体验与 Linux 下的命令行完全不同，但音库文件是同一套，跨平台复用没问题。
装完的下一步是配置语言和音色，这事比编译更讲究。
4. 配置语言与音色：不调参直接合成会得到什么
4.1 rhvoice.conf：核心配置项逐字段拆解
编译安装完成后，系统里有一套默认配置，但默认配置覆盖不了你的语言和音色需求。RHVoice 的主配置存放在 /opt/rhvoice/etc/rhvoice.conf。文件本身是纯文本格式，一行一个配置项，支持注释。
一个能跑的示例配置是这样：
# RHVoice 主配置 data=/opt/rhvoice/data voices=/opt/rhvoice/voices lang=ru voice=Anna sample-rate=22050逐项说明：data 指向语音资源的查找根目录；voices 存音色定义；lang 设默认语言，ru 是俄语，想要英语就改 en；voice 是默认音色名，具体值要看你下载的音库包里有哪些名字；sample-rate 是输出采样率，这个值和音库自身采样率不一致时，会先经过重采样，但你如果不确定音库实际采样率，直接用 22050 基本安全。
一个容易翻车的点：voices 目录里不是直接放 .htsvoice 文件，而是放一个描述文件，把语言、音色名字、路径关联起来。如果你把下载的语音压缩包直接解压到 voices 目录然后就开始用，RHVoice 大概率找不到这个音色。正确操作是解压后先看有没有 .yaml 或 .conf 这类描述文件，没有就需要手动新建。
4.2 命令行合成参数：语速、音量、音调与输出文件
配置搞定后，用命令行工具合成一句测试语音：
echo "Привет, мир" | RHVoice-test -p Anna -o /tmp/test.wav -r 1.0-p 指定音色，-o 指定输出 WAV 路径，-r 是语速倍数。
完整参数里还有音量和音调：
echo "Hello world" | RHVoice-test -p Anna -o /tmp/test.wav -r 0.9 --volume 80 --pitch 50语速 -r 的取值范围一般是 0.5 到 2.0，小于 1 变慢大于 1 变快。volue 80 意思是不削波的情况下音量相对较高；pitch 50 是正常音调，如果你想要更低沉浑厚的男声，就往下调。新手常常一次性把语速拉满，结果合成出来的声音像开了倍速，还以为是引擎有问题；实际上 0.8 到 1.0 之间是最接近真人语速的区间。
合成之后立刻检查文件大小。一个 22050 Hz、16 位的 WAV，3 秒时长大约在 130 KB 左右。如果你看到一个只有几十字节的 WAV，那就是合成失败或者静音了，不用继续往后听。
4.3 与 Android / Windows 客户端的联动
服务器上跑通之后，很多人想让手机或者 Windows 电脑也复用同一套已经调好的语音。这个复用的关键就在语音资源上：把 Linux 上调试好的音库文件夹原样拷贝到 Android 的指定目录（一般是 RHVoice 应用数据目录下的 voices 文件夹），或者 Windows 安装目录的对应路径下。
注意权限问题。Android 端必须给 app 存储权限，否则它扫描不到你拷进去的语音文件；Windows 端则要注意把路径写进注册表或者应用自己的设置页，手动改配置文件有时不生效。拷贝完成后重启应用，让语音列表重新加载。通过这种方式，三个平台的最终发音效果能保持基本一致，不会再出现 Linux 上调试好、手机上一放就变味的情况。
配置这关过了，还有几个高频问题会在部署路上反复出现，单独开一章记下来。
5. RHVoice 部署避坑与常见问题排查
5.1 问题一：合成出来是空 WAV，文件只有几十字节
现象：命令行没有报错，命令也正常退出，但生成的 WAV 文件非常小，播放器打开只有一片死寂。
原因：最常见是音库采样率与输出参数不匹配。音库实际是 16 kHz，你在配置里写了 48000，重采样时间被拉长或数据被截断；另一种可能是音库文件和配置文件里的路径对不上，引擎没有真正加载到语音数据。
解决：先用 file 命令查看 WAV 头信息，再用配置里的音库文件本身的采样率去校准 sample-rate。检查音库路径是否真的存在：
ls -l /opt/rhvoice/data/voices/ru/* file /tmp/test.wav如果音库路径下没有任何 .htsvoice 文件，说明安装时语音资源没放对。重放语音资源后，把 sample-rate 改成音库采样率，再合成一遍就正常了。从那以后，我只要换语音库第一件事就是先查采样率，不猜。
5.2 问题二：合成英文文本时声音还是俄语腔
现象：配置里 lang=en，但输入英文文本合成出来的声音，发音明显带俄语口音，或者干脆只念出字母。
原因：RHVoice 的语言选择不仅看全局配置，还要看音色本身绑定的是哪门语言。你指定 -p Anna，而 Anna 这个音色如果只绑了俄语语言包，英文输入就会映射到俄语音系上。
解决：确认你要用的语言有没有对应音色名。先用命令行列出当前可用音色：
RHVoice-test --list-voices如果列表里没有英语音色，就说明你根本没装英语的语音资源，装了之后需要指定英语音色名。这是一个大家都容易默认“英语应该在包里”就翻车的点。
5.3 问题三：systemd 服务方式调用时进程起不来
现象：明明命令行手动合成一切正常，把它写进 systemd 服务单元注册成开机启动服务后，服务状态显示 failed，日志里什么都没有。
原因：systemd 服务的环境变量和手动 shell 环境不一致。最常见的是 PATH 不对、动态库路径没生效，或者用户主目录被设置成了 /nonexistent，导致读取配置时直接找不到目录。
解决：服务单元里把 ExecStart 写成绝对路径，并显式指定环境变量：
[Unit] Description=RHVoice TTS service [Service] Type=simple Environment="LD_LIBRARY_PATH=/opt/rhvoice/lib" ExecStart=/opt/rhvoice/bin/rhvoice-test Restart=on-failure [Install] WantedBy=multi-user.targetLD_LIBRARY_PATH 手动指到安装目录后，动态库加载问题就解决了。这个问题在普通用户手动操作时完全暴露不了，但一交给 systemd 就立刻现形。
5.4 问题四：Windows 端合成文本乱码，输出的全是问号
现象：Windows 安装包装完后，从命令行管道输入中文或西里尔文本，合成出来的是乱码或者完全不发音。
原因：Windows 下控制台默认编码页是 GBK 或 CP437，而 RHVoice 内部按照 UTF-8 解码。文本经过管道传进去时，字节流已经不是 UTF-8 了，引擎自然解不出来。
解决：在调用前把控制台切到 UTF-8 代码页：
chcp 65001这样管道里的文本就能以 UTF-8 编码流入引擎。写完批处理时注意，65001 这条命令要在管道命令前执行，并且当前控制台字体要支持西里尔字母，否则显示上仍然是互斥的。这个坑和引擎本身无关，是 Windows 编码体系的锅。
5.5 问题五：合成进程运行到一半直接崩溃
现象：长文合成时，任务跑到一半进程消失，没有 WAV 输出也没有报错信息。
原因：多半是文本里包含了引擎无法处理的特殊字符，比如 emoji、异常标点，或者某段文本触发了音库决策树的未定义分支。核心合成器本身不太会因为长文本而出问题，字符集才是最大的变数。
解决：把输入文本分段处理，每段 200 字以内，逐段合成后再拼接。同时过滤掉控制字符和特殊符号：
echo "$TEXT" | sed 's/[^[:print:]]//g' | RHVoice-test -p Anna -o /tmp/out.wav这样操作后基本不再出现崩溃。我后来把分段拼接做成了脚本，长文本合成时必定拆开执行，已经成为固定的处理习惯。
6. 装完怎么验证：让 TTS 真正跑通的最后一公里
部署完成后不能只看“能出声音”就收工，还要系统验证输出质量和服务状态。我给自己定了一套三连检查，每次都先走一遍再交接给项目用。
第一步，验证动态库和依赖完整性：
ldd /opt/rhvoice/bin/RHVoice-test | grep "not found"这条命令的预期输出是空。如果列出来某个库 not found，那就是安装过程中动态库路径没有刷进去，回到上文重新配置 ld.so.conf.d 再 ldconfig。依赖没断干净的话，后面所有合成都可能在随机时刻崩掉。
第二步，合成一个已知内容的 WAV 文件并检查参数：
echo "Проверка синтеза речи" | RHVoice-test -p Anna -o /tmp/verify.wav file /tmp/verify.wav预期输出里能看到 WAV 格式、采样率等参数。重点看声道数是单声道还是双声道，以及采样率。拿到 WAV 头信息后再用播放器试听，听内容是不是完整的那句话。
第三步，验证无音频设备环境的声音输出能力。服务器通常没接音箱，但你得确认文件可播放，用 ffprobe 检查时长和码率：
ffprobe /tmp/verify.wav 2>&1 | grep Duration如果没有 ffprobe，用 sox 也行。这两条工具都没有，就直接看文件大小和 WAV 头里的数据长度字段，也能判断出语音内容是否完整合成。
三次检查全过的情况下，这个 RHVoice 基本可以放心交给其他模块调用了。从那以后我每次部署完 TTS 服务，这三连检查都会强制完整走一遍，不会因为上一次没问题就跳过。这一步省不了，也很有意思——语音合成这东西，听着玄学，但用命令一层层解开黑匣子，就会发现它每一步都踏实得很。希望这些实战记录能帮你少踩几个坑，顺利把语音合成跑起来。
本文还有配套的精品资源，点击获取
