tacotron

用 TensorFlow 复现经典端到端语音合成，从文本直接生成语音

Tacotron 是一个基于 TensorFlow 实现的端到端文本转语音（TTS）模型，源自谷歌的论文《Tacotron: A Fully End-to-End Text-To-Speech Synthesis Model》。它解决了传统 TTS 系统需要复杂管线（如文本分析、音素对齐、声学模型、波形拼接）的问题，直接用神经网络将文本序列映射为线性频谱图，再通过 Griffin-Lim 算法重建语音波形。核心能力包括：字符级输入、注意力机制自动对齐、自回归解码生成频谱、支持多种超参数调节。项目提供了完整的训练和合成脚本，适合研究者复现实验或开发者快速搭建 TTS 原型。虽然音质不如现代 WaveNet 或 Tacotron 2，但作为早期端到端 TTS 的经典实现，对理解 TTS 原理和入门深度学习语音合成有重要参考价值。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1832

维护状态低维护

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队Kyubyong

所属国家

官网地址

GitHubhttps://github.com/Kyubyong/tacotron

定价模式free

价格说明开源项目，Apache-2.0许可证，可自由使用和部署，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型speech,speech-synthesis-model,tensorflow,tts

GitHub 星标★ 1832

30天Star增速

HF 下载量

上线时间2017-05-16 00:00:00

最近更新2026-08-01 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：进阶约 30 分钟部署方式：本地安装 5 步

环境要求

Python 环境（项目为 Python 实现）
NumPy >= 1.11.1
TensorFlow >= 1.3
librosa、tqdm、matplotlib、scipy
语音数据集：LJ Speech Dataset（或自备数据）

安装与启动步骤

1获取项目代码

把仓库克隆到本地，进入项目目录后再做后续操作。
```
git clone https://github.com/Kyubyong/tacotron
cd tacotron
```
2安装依赖库

README 的 Requirements 列出这几个包：NumPy、TensorFlow、librosa、tqdm、matplotlib、scipy。
```
pip install numpy tensorflow librosa tqdm matplotlib scipy
```
3准备语音数据

下载 LJ Speech Dataset（约 24 小时英文语音）作为训练数据；README 说明也可用自备数据或 Nick Offerman 有声书、World English Bible。
4调整超参数

README 的 Training 章节 STEP 1 要求先调整超参数（hparams），请对照仓库 README 修改后再继续。
5开始训练

按 README 的 Training 章节步骤执行训练；该章节节选不完整，具体命令请以仓库 README 为准。

如何确认成功

按 README Training 章节执行后，终端能持续输出训练日志/损失信息，即表示流程已跑通。

常见问题

Q：必须用哪个数据集？

A：README 使用三个数据集：LJ Speech Dataset（公开、约 24 小时，常用基准）、Nick Offerman 有声书（约 18 小时）、World English Bible（约 72 小时）。也可以准备自己的数据。

Q：LJ Speech Dataset 在哪里下载？

A：README 给出的地址是 https://keithito.com/LJ-Speech-Dataset/，从该页面获取数据。

Q：依赖装不上怎么办？

A：项目要求 TensorFlow >= 1.3，属较老版本，建议在独立虚拟环境或对应的旧版 Python 环境中安装，避免与新版 TensorFlow 冲突。

Q：训练大概要多久？

A：README 未给出训练时长；数据集本身从 18 小时到 72 小时不等，训练耗时取决于数据和硬件（GPU 更合适）。

注意事项

README 未给出完整安装与训练命令，训练相关命令请以仓库完整 README 为准。
Requirements 要求 TensorFlow >= 1.3，安装前先确认版本，建议使用虚拟环境隔离。
数据集需自行下载并按 README 要求放置，README 未提供自动下载脚本。
项目为论文复现性质，音质与现代 TTS 模型存在差距。

核心亮点

完整实现 Tacotron 论文，包含注意力机制和 Griffin-Lim 波形重建
提供预训练模型和合成脚本，开箱即用生成语音
代码结构清晰，便于学习端到端 TTS 训练流程

不足之处

音质受限于 Griffin-Lim，不如 WaveNet 等神经声码器
训练速度慢，且依赖旧版 TensorFlow 1.x，环境配置复杂
文档/社区待观察

适用场景

学术研究：复现经典 TTS 模型，对比不同架构
教学演示：展示端到端语音合成原理
轻量级 TTS 原型开发：快速生成语音用于测试

替代项目

Tacotron 2、FastSpeech、WaveNet

项目介绍

tacotron 是音频音乐领域的开源项目，由 Kyubyong 开发，2017 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,832）位列前 30%，在音频音乐分类的 738 个项目里位列前 11%。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-01。Apache-2.0许可证，可自由使用和部署，无付费版本。

它主要面向的使用场景是：学术研究：复现经典TTS模型，对比不同架构。同类可对比的替代方案包括 Tacotron 2、FastSpeech、WaveNet。

上一篇：bot-whatsapp

下一篇：RealTimeSingingSynthesizer