Fish Speech 1.5部署教程：从镜像选择到WebUI访问全流程
Fish Speech 1.5部署教程：从镜像选择到WebUI访问全流程
1. 引言
Fish Speech 1.5是由Fish Audio开源的新一代文本转语音（TTS）模型，基于LLaMA架构与VQGAN声码器，支持零样本语音合成。用户仅需提供10-30秒的参考音频，即可克隆任意音色并生成中、英、日、韩等13种语言的高质量语音，无需针对特定说话人微调。本教程将手把手带你完成Fish Speech 1.5的完整部署流程，从镜像选择到WebUI访问，让你快速体验高质量的语音合成能力。
学习目标：通过本教程，你将学会如何部署Fish Speech 1.5镜像，并通过Web界面生成高质量语音。前置知识：基本Linux命令操作、了解Docker或云服务器基础概念。教程价值：无需复杂配置，小白友好，30分钟内即可完成部署并生成第一段语音。
2. 环境准备与镜像部署
2.1 选择合适的基础环境
Fish Speech 1.5镜像需要运行在支持CUDA的NVIDIA GPU环境中，建议显存不小于6GB。以下是推荐的基础配置：
- 操作系统：Ubuntu 20.04/22.04 LTS
- GPU：NVIDIA Tesla T4/V100/A100（或消费级RTX 3060以上）
- 显存：≥6GB
- 驱动：CUDA 12.4 + PyTorch 2.5.0
2.2 部署镜像实例
在云平台镜像市场中选择fish-speech-1.5（内置模型版）v1镜像，点击"部署实例"。等待实例状态变为"已启动"（约需1-2分钟初始化，首次启动需60-90秒完成CUDA Kernel编译）。
# 查看实例状态 sudo docker ps -a | grep fish-speech3. 服务启动与验证
3.1 启动服务并查看日志
使用提供的启动脚本启动服务：
# 运行启动脚本 bash /root/start_fish_speech.sh # 查看实时日志（新开终端） tail -f /root/fish_speech.log当看到以下输出时，表示服务已就绪：
后端API已就绪 → 启动前端WebUI → Running on http://0.0.0.0:78603.2 验证服务状态
检查服务端口是否正常监听：
# 检查WebUI端口（7860） lsof -i :7860 # 检查API端口（7861，内部使用） lsof -i :78614. WebUI访问与使用
4.1 访问Web界面
在实例列表中找到部署的实例，点击"HTTP"入口按钮，或在浏览器直接访问http://<实例IP>:7860，打开Fish Speech交互页面。
4.2 生成第一段语音
按照以下步骤体验语音合成：
输入文本：在左侧"输入文本"框中输入测试内容，例如：
- 中文：
你好，欢迎使用Fish Speech 1.5语音合成系统。 - 英文：
Hello, welcome to Fish Speech text-to-speech system.
- 中文：
调整参数（可选）：
- 拖动"最大长度"滑块（默认1024 tokens，约20-30秒语音）
- 调整"温度"参数（0.1-1.0，默认0.7）
生成语音：点击"🎵 生成语音"按钮
- 状态栏显示"⏳ 正在生成语音..."（约2-5秒）
- 生成成功后变为" 生成成功"
试听与下载：
- 右侧音频播放器点击试听
- 点击" 下载WAV文件"保存到本地
4.3 高级功能：API调用
对于程序化调用，可以使用API接口：
curl -X POST http://127.0.0.1:7861/v1/tts \ -H "Content-Type: application/json" \ -d '{"text":"API测试","reference_id":null}' \ --output api_test.wav5. 常见问题与解决方案
5.1 启动问题排查
| 问题现象 | 排查方法 | 解决方案 |
|---|---|---|
| WebUI无法访问 | lsof -i :7860检查端口 | 等待90秒首次编译完成 |
| "后端API未就绪" | lsof -i :7861检查后端 | 查看日志tail -50 /root/fish_speech.log |
| 生成超时 | 检查输入文本长度 | 缩短文本或增大max_tokens参数 |
5.2 音频生成问题
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 生成的音频无声 | 文件大小异常（应>10KB） | 重新生成，或调大max_tokens |
| 音色克隆无效 | 使用WebUI而非API | WebUI当前不支持音色克隆，需用API调用 |
6. 技术细节与进阶使用
6.1 模型架构特点
Fish Speech 1.5采用双服务架构：
- 前端WebUI：Gradio 6.2.0（端口7860，对外访问）
- 后端API：FastAPI服务（端口7861，内部调用）
- 通信方式：WebUI通过HTTP请求调用后端API
6.2 文件位置说明
- 启动脚本：
/root/start_fish_speech.sh - 模型权重：
/root/fish-speech/checkpoints/fish-speech-1___5/ - 运行日志：
/root/fish_speech.log - 生成缓存：
/tmp/fish_speech_*.wav
6.3 自定义参数配置
通过修改API调用参数实现高级功能：
curl -X POST http://127.0.0.1:7861/v1/tts \ -H "Content-Type: application/json" \ -d '{ "text":"自定义参数测试", "reference_id":null, "max_new_tokens":2048, "temperature":0.5 }' \ --output custom_test.wav7. 总结
通过本教程，你已成功部署并体验了Fish Speech 1.5文本转语音系统。该模型具备以下核心优势：
- 高质量语音合成：支持13种语言，音质自然流畅
- 零样本音色克隆：仅需短参考音频即可模仿任意音色
- 简单易用：提供直观的Web界面和完整的API接口
- 开源免费：基于开源协议，可自由使用和修改
下一步建议：
- 尝试使用API接口集成到自己的应用中
- 探索不同语言的语音合成效果
- 参考官方文档了解高级功能和自定义配置
现在你可以开始使用Fish Speech 1.5创建丰富的语音内容了！
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。