GLM-TTS新手必看：WebUI界面详解，从上传到合成全流程
GLM-TTS新手必看：WebUI界面详解，从上传到合成全流程
1. 快速入门指南
1.1 环境准备与启动
在开始使用GLM-TTS之前，确保您的系统满足以下要求：
- 操作系统：Linux（推荐Ubuntu 18.04+）
- GPU：NVIDIA显卡，显存≥8GB
- 依赖项：已安装Docker和NVIDIA驱动
启动WebUI的两种方式：
推荐方式（使用启动脚本）：
cd /root/GLM-TTS source /opt/miniconda3/bin/activate torch29 bash start_app.sh备用方式（直接运行）：
cd /root/GLM-TTS source /opt/miniconda3/bin/activate torch29 python app.py启动成功后，在浏览器中访问：http://localhost:7860
注意：每次启动前必须激活
torch29虚拟环境
2. 界面功能详解
2.1 主界面布局
GLM-TTS WebUI分为三个主要区域：
- 左侧控制面板：包含音频上传、文本输入和参数设置
- 中央预览区：显示当前操作状态和生成结果
- 右侧日志区：实时显示处理过程和调试信息
2.2 核心功能标签页
- 单次合成：适合快速测试和少量生成
- 批量推理：适合大规模音频生成任务
- 高级设置：音素控制和情感调节
- 系统监控：查看GPU使用率和显存情况
3. 单次语音合成全流程
3.1 上传参考音频
- 点击"参考音频"区域上传文件
- 文件要求：
- 格式：WAV/MP3（推荐WAV）
- 时长：3-10秒
- 内容：清晰的人声，无背景噪音
专业建议：使用专业录音设备录制参考音频，避免环境噪音干扰
3.2 输入文本内容
- 在"参考文本"框中输入音频对应的文字（可选但推荐）
- 在"合成文本"框中输入需要转换为语音的内容
- 文本规范：
- 支持中英文混合
- 单次不超过200字
- 使用标准标点符号
3.3 参数设置详解
点击"⚙️ 高级设置"展开参数面板：
| 参数名称 | 作用说明 | 推荐值 |
|---|---|---|
| 采样率 | 影响音质和生成速度 | 24kHz（平衡）/32kHz（高质） |
| 随机种子 | 控制生成随机性 | 固定值确保结果可复现 |
| KV Cache | 加速长文本生成 | 建议开启 |
| 采样方法 | 影响语音自然度 | ras（默认）/greedy/topk |
3.4 生成与保存
- 点击"🚀 开始合成"按钮
- 等待处理完成（进度条显示）
- 自动播放生成结果
- 文件保存路径：
@outputs/tts_时间戳.wav
4. 批量处理实战指南
4.1 准备任务文件
创建JSONL格式的批量任务文件（每行一个任务）：
{ "prompt_text": "这是参考文本", "prompt_audio": "path/to/audio1.wav", "input_text": "这是要合成的文本内容", "output_name": "custom_name" }关键字段说明：
prompt_audio：必须提供有效音频路径input_text：必填，支持多段落（用\n分隔）output_name：可选，不指定则自动生成
4.2 执行批量合成
- 切换到"批量推理"标签页
- 上传准备好的JSONL文件
- 设置输出目录（默认
@outputs/batch/） - 点击开始按钮
- 实时查看处理进度和日志
4.3 输出结果
批量处理完成后：
- 每个任务生成独立的WAV文件
- 自动打包为ZIP压缩包
- 文件命名规则：
- 指定名称：
自定义名称.wav - 未指定：
output_序号.wav
- 指定名称：
5. 高级功能深度解析
5.1 音素级精确控制
应用场景：
- 专业术语发音校正
- 多音字指定发音
- 特殊符号朗读控制
配置方法：
- 编辑
configs/G2P_replace_dict.jsonl - 添加音素映射规则：
{"text": "重", "pron": "zhong4"} # 指定"重"读作"zhòng"- 启用phoneme模式运行
5.2 情感表达控制
实现原理：
- 分析参考音频的情感特征
- 提取语调、节奏、强度等参数
- 迁移到生成音频中
最佳实践：
- 准备不同情感的参考音频
- 高兴：语调上扬，语速较快
- 悲伤：语调低沉，语速较慢
- 保持文本内容相同
- 对比生成效果
5.3 流式推理技术
技术特点：
- 分块(chunk)处理长文本
- 实现边生成边播放
- 延迟降低30-50%
启用方式：
python glmtts_inference.py --streaming6. 常见问题解决方案
6.1 音质问题排查
问题现象：生成音频有杂音/不清晰
- 检查参考音频质量
- 尝试32kHz采样率
- 调整随机种子值
- 缩短单次文本长度
6.2 性能优化建议
加速生成：
- 使用24kHz采样率
- 开启KV Cache
- 文本分段落处理
- 定期清理显存（点击🧹按钮）
显存不足：
- 降低采样率
- 减少批量任务数
- 使用
--use_cache参数
6.3 特殊场景处理
中英混合：
- 保持以一种语言为主
- 英文单词用空格分隔
- 避免复杂句式混合
长文本处理：
- 按自然段落分割
- 每段≤200字
- 添加适当停顿标点
7. 总结与进阶建议
通过本文的详细讲解，您应该已经掌握了GLM-TTS WebUI的核心功能和使用技巧。为了获得最佳效果，建议：
- 建立音频库：收集不同风格的高质量参考音频
- 参数记录：记录效果好的参数组合
- 分批处理：长内容分成短段落合成
- 定期更新：关注项目GitHub获取最新功能
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。