CapSpeech TTS

CapSpeech TTS

一个面向风格化语音的文字转语音演示，你可以自己调整声音、口音和情绪。适合想听听 OpenSound 团队做的可控语音的人。

由 OpenSound 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：CapSpeech TTS 是一个面向风格化语音的文字转语音演示。它的简短标语说，你可以按自己的方式设计声音、口音和情绪。这个 Space 提到一个叫 CapSpeech 的数据集和六个来自其他团队的辅助模型。

适合谁：适合想听听文字转语音模型能被风格控制到什么程度的人。

Title: 谁会用这个演示
Industry | Who uses it | How they use it | Example
语音研究 | 研究人员 | 试用围绕 CapSpeech 数据集做出的风格化语音 | 用两种情绪读同一句话并比较
软件 | 开发者 | 在加入产品之前先听听可控语音的效果 | 在产品会说的一句话上测试一种口音
音频制作 | 创作者 | 用选定的风格起草一句旁白 | 用选定的情绪生成一句话

如果你打算把音频用于商业用途，可以跳过它，因为它的许可证是非商业的。

用在哪里：你可以在线使用，也可以自己运行一份副本。

• 网页浏览器：Hugging Face 上这个 Space 的页面，无需安装任何东西
• Windows、macOS 或 Linux：用 Python 运行的本地副本
• Hugging Face Spaces：托管演示运行的地方，使用 zero-a10g 硬件档

Title: 这个演示适合做什么
Use case | Who | What they get back
听一个风格化的声音 | 好奇的人 | 用你选的声音、口音和情绪读出的语音
比较不同设置 | 研究人员 | 同一句话在不同风格下的多段音频
集成之前先试 | 开发者 | 对风格化语音模型控件的直观感受

如何设置：托管的演示什么都不用装。本地副本需要 Python 和 pip。

• Python 和 pip
• requirements.txt 列出的 Python 包

1. 安装 huggingface_hub 包。
2. 把这个 Space 的文件下载到一个文件夹。
3. 进入这个文件夹。
4. 安装 Gradio 5.31.0。
5. 安装 requirements.txt 里的包。
6. 用 Python 启动应用。

pip install -U huggingface_hub
hf download OpenSound/CapSpeech-TTS --repo-type space --local-dir CapSpeech-TTS
cd CapSpeech-TTS
pip install gradio==5.31.0
pip install -r requirements.txt
python app.py

如何使用：在线打开这个 Space，或者用下面的命令启动你的副本。然后用页面上的控件选择声音、口音和情绪，输入文字并生成。

python app.py

Title: Space 提到的部分
Tool | What it does
app.py | 用 Python 运行它时启动 Gradio 页面
distil-whisper/distil-large-v2 | Space 列出的一个语音识别模型
google/flan-t5-large | Space 列出的一个文本模型
laion/larger_clap_music_and_speech | Space 列出的一个音频与文本匹配模型
microsoft/wavlm-base-plus | Space 列出的一个语音表示模型
microsoft/wavlm-large | Space 列出的一个更大的语音表示模型
nvidia/bigvgan_v2_24khz_100band_256x | Space 列出的一个声码器模型，把频谱图变成音频

示例：你输入一句话，选一种口音和一种情绪，然后按生成。页面会用你选的风格把这句话播放出来，你可以只改一个设置再生成一次，听听区别。

新手与专家：如果你刚接触，先从一句短话开始，一次只改一个设置。这样你就能分辨是哪个控件改变了声音。

如果你熟悉这个领域，这个 Space 把名为 OpenSound/CapSpeech 的数据集和一组用于语音识别、文本、音频匹配和声码的预训练模型组合在一起。它在 zero-a10g 硬件上运行 Gradio 5.31.0，capspeech 文件夹里放着项目代码。

选择声音、口音和情绪
输入要朗读的文字
Space 的模型生成语音
你听到音频并再试一次

注意事项：Space 的说明很简短，所以请打开页面查看具体的控件。

• 托管：托管的副本运行在 zero-a10g 硬件档上
• 体积：仓库里有 522 个文件，所以下载量不小
• License: cc-by-nc-4
• Cost to run: 未提及
• Data it reaches: 你输入的文字，以及会被拉取的那些模型和 Python 包
• Not for: 商业用途，因为许可证是非商业的

Hugging Face 上的数据（2026年11月13日）

• 点赞：101
• 构建方式：gradio
• 许可证：cc-by-nc-4.0

链接

• Space：https://huggingface.co/spaces/OpenSound/CapSpeech-TTS
• 文件：https://huggingface.co/spaces/OpenSound/CapSpeech-TTS/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。