TTS API Server Implementation

[arkohut]

主要功能

实现了一个基于 FastAPI 的文本转语音服务，提供音色管理、语音合成和声音克隆功能。核心功能包括三个主要接口：

1. 音色管理接口

• GET /voices: 获取已注册音色列表
• POST /register_voice: 注册新音色到系统（需提供参考音频和文本）

2. 文本转语音接口

• POST /tts: 使用已注册音色进行语音合成
  • 参数：speaker（指定音色名称），tts_text（合成文本）

3. 即时克隆接口

• POST /clone: 单次语音克隆合成
  • 参数：prompt_wav（参考音频），prompt_text（参考文本），tts_text（目标文本）

使用示例

# 获取可用音色列表
curl -X GET http://localhost:8000/voices

# 注册新音色
curl -X POST -F "speaker_name=my_voice" -F "prompt_text=Hello world" -F "[email protected]" http://localhost:8000/register_voice

# 使用注册音色合成
curl -X POST -F "tts_text=欢迎使用语音合成服务" -F "speaker=my_voice" http://localhost:8000/tts --output output.wav

# 即时克隆合成
curl -X POST -F "tts_text=这是即时克隆的语音" -F "prompt_text=我是参考文本" -F "[email protected]" -F "speaker_name=temporary" http://localhost:8000/clone --output clone.wav

[arkohut]

这个 PR 我已经在实际项目中使用了，效果非常出色。我使用这个 API 生成了一个中文配音视频，可以在这里查看效果：
https://www.bilibili.com/video/BV1vkdnYcEPh

希望能合并这个 PR，让更多开发者能够使用这个功能。如果有任何问题或建议，我很乐意进行讨论和改进。