Använda snabbklonningsmetoden med 10 sekunder ljud:

1. Gå till xtts-webui-mappen och starta start-xtts-webui.bat-filen. Detta kommer att ladda ner de nödvändiga filerna och starta webbgränssnittet.

2. I webbgränssnittet, ange den text du vill att din röst ska läsa. Det finns ingen teckengräns.

3. Välj önskat språk från rullgardinsmenyn.

4. Ladda upp ett ljudklipp mellan 5-10 sekunder långt. Detta kommer att användas för att klona rösten.

5. Klicka på "Generera" och inom några sekunder kommer du ha den genererade ljudfilen klar att använda.

Detta är det enklaste och lättaste sättet att skapa text-till-tal på din lokala dator. Även om det inte är perfekt, ger det en snabb lösning med endast 10 sekunder ljud.

Låt oss nu gå vidare till medium text-till-tal-metoden, där vi kommer att träna vår egen XTTS-modell från grunden. Denna metod kräver endast 2 minuter ljud, vilket är mycket mindre än de typiska 10-20 minuter som behövs för bra resultat.

Gå först till XTTS fine-tune webbgränssnittsmappen och starta start.bat-filen. Detta ger dig en lokal URL som du kan öppna i din webbläsare.

För denna metod behöver du en ljudfil med 2 minuter ljud. Om du känner dig lat som jag, kan du helt enkelt ta ett 30-sekunders ljudklipp och upprepa det flera gånger i Audacity för att skapa en 2-minuters fil.

När du har ljudfilen, ladda upp den i webbgränssnittet. Se till att välja rätt språk (i detta fall engelska). Klicka sedan på knappen "Steg 1: Skapa dataset". Beroende på längden på ditt ljud kan formateringsprocessen ta en minut eller mindre.

Gå sedan till den andra fliken. Du kan lämna inställningarna som de är, men du kanske vill öka antalet epoker från standardvärdet 6 till något som 10 eller 12 för bättre resultat. Se till att du använder version 2.0.2, eftersom det är den bästa.

Klicka på knappen "Kör träningen" och träningen kommer att börja. När den är klar, klicka på knappen "Optimera modellen" för att göra de slutliga filerna mindre och enklare att använda.

Gå slutligen till den tredje fliken som heter "Inference". Klicka på knappen "Ladda parametrar för TTS från utdatamappen", sedan på knappen "Ladda modell". Nu kan du ange din text och klicka på "Inference" för att generera ljudet.

Det resulterande ljudet kommer att vara mycket bättre än den ursprungliga 10-sekunders klonningsmetoden, eftersom modellen har finslipats till din röst. Du kommer att märka saker som pauser, "uh"-ljud och andra egenheter som var närvarande i referensljudet.

Med denna finslipade modell kan du nu använda den hur mycket du vill, eftersom det inte finns några begränsningar. Denna medium text-till-tal-metod är en bra kompromiss mellan ansträngning och kvalitet.

Nu när vi har installerat all nödvändig programvara, låt oss dyka in i den ultimata text-till-tal-kombinationen med XTTS och RVC.

Metod A: Enkel konvertering

1. I XTTS webbgränssnittet, ange din text och referensljudfilen.
2. Klicka på "Generera" för att få det initiala text-till-tal-ljudet.
3. Ladda ner den genererade filen.
4. Starta RVC och välj referensröstmodellen.
5. Klistra in sökvägen till den nedladdade filen och klicka på "Konvertera".
6. Det slutliga ljudet kommer nu att ha referensmodellens röst.

Metod B: Automatisk XTTS + RVC

1. Gå till XTTS RVC UI-mappen och ange RVC-röstmodellen (filerna .pth och index).
2. I "voices"-mappen, ange referensröstprovet (10-sekundersljudklippet).
3. Starta .bat-filen och öppna den lokala URL:en i din webbläsare.
4. Välj språk, RVC-modell och röstprov.
5. Ange din text och klicka på "Skicka in".
6. Det slutliga ljudet kommer att genereras automatiskt, genom att kombinera XTTS och RVC.

Metod C: Uber Text-till-tal

1. Gå till XTTS fine-tune webbgränssnittsmappen och hitta de finslipade XTTS-modellfilerna.
2. Klipp ut dessa filer och klistra in dem i "models"-mappen i XTTS webbgränssnittet.
3. Starta XTTS webbgränssnittet och välj den anpassade XTTS-modellen.
4. Ange din text och referensljudet, klicka sedan på "Generera".
5. Ladda ner den genererade filen och öppna den i RVC.
6. Välj referensröstmodellen och klicka på "Konvertera".
7. Det slutliga ljudet kommer att vara den ultimata text-till-tal-kombinationen, med hjälp av den anpassade XTTS-modellen och RVC.

Komihåg att Uber-metoden ger den högsta kvaliteten och autenticiteten, men den kräver mer ansträngning. Välj den metod som bäst passar dina behov och preferenser.

I denna omfattande guide har vi utforskat olika metoder för att skapa högkvalitativa, anpassade text-till-tal (TTS) röster på din lokala dator. Från den superlata 10-sekunders röstklonningen till den ultimata Uber-nivåns TTS, har vi täckt ett spektrum av tekniker för att passa dina specifika behov.

Startande med den enklaste metoden, visade vi hur du använder XTTS webbgränssnittet för att generera TTS-ljud från endast 10 sekunder referensljud. Detta snabba och enkla tillvägagångssätt låter dig skapa personliga röster med minimal ansträngning.

Därnäst fördjupade vi oss i medium-nivåns TTS-metod, där vi finslipade en XTTS-modell med endast 2 minuter ljud. Denna process möjliggjorde för oss att skapa en mer autentisk och uttrycksfull TTS-röst, anpassad efter talarens unika egenskaper.

Avslutningsvis avslöjade vi den ultimata Uber TTS-metoden, som kombinerar kraften i XTTS och RVC (Real-Voice Cloning) för att uppnå den högsta nivån av kvalitet och autenticitet. Genom att utnyttja vår anpassade XTTS-modell och de avancerade röstomvandlingsförmågorna hos RVC, kunde vi generera TTS-ljud som nära liknar den ursprungliga talaren.

Genom hela guiden gav vi steg-för-steg-instruktioner och praktiska tips för att säkerställa en smidig installations- och implementeringsprocess. Oavsett om du är nybörjare eller erfaren användare, har du nu kunskapen och verktygen för att skapa dina egna högkvalitativa TTS-röster på din lokala dator, utan att behöva dyrbar tredjepartsprogramvara.

Komihåg att resurserna och grafiken som nämns i guiden finns tillgängliga gratis på min Patreon, så se till att kolla i beskrivningen för länkarna. Och om du har några frågor eller behöver ytterligare hjälp, tveka inte att kontakta mig via Patreon-plattformen, där jag ger prioriterad support till mina patroner.

Glad text-till-tal-äventyr, och njut av kraften i anpassade, lokala TTS-röster!