英文文字怎么在本地生成语音？用 MMS-TTS 导出 WAV 并核对

把一句英文写成 WAV 音频，可以用 MMS-TTS 的英文公开检查点在本地合成。本文完成“文字 → 波形 → WAV → 试听核对”的最小流程，适合学习语音合成接口；它不克隆任何人的声音，也不是语音识别。

先看模型语言和许可

facebook/mms-tts-eng 是英文 VITS 语音合成模型。模型许可为 CC-BY-NC-4.0，含非商业限制；不要把“可以下载运行”当成已获得商业配音或广告用途授权。其他语言需要对应检查点，英文模型不能直接当中文配音器。这里不发布模型生成的音频，只提供可复现的方法。

创建环境并安装音频依赖

Windows 使用以下独立环境，macOS/Linux 用 python3 并替换解释器路径。首次加载会联网下载模型和 tokenizer，之后若需要离线执行，需完整保存本地模型目录再验证；本篇代码的主流程仍按模型名加载，不宣称完全离线。

py -m venv .venv
.venv\Scripts\python -m pip install "torch>=2.6" "transformers==4.57.1" safetensors
.venv\Scripts\python -m pip install numpy scipy

生成波形，按模型采样率写文件

保存为 tts_demo.py，执行 .venv\Scripts\python tts_demo.py。先用一条不含人名、金额和缩写的英文句子检查清晰度。波形取第一个批次元素后为一维数组，WAV 的 rate 直接读取 model.config.sampling_rate；不要随意写另一个采样率，否则播放速度和音高会出错。

from pathlib import Path
import numpy as np
import torch
from scipy.io import wavfile
from transformers import VitsModel, AutoTokenizer, set_seed

model_id = "facebook/mms-tts-eng"
model = VitsModel.from_pretrained(model_id).eval()
tokenizer = AutoTokenizer.from_pretrained(model_id)
text = "Please submit the report before Friday afternoon."
inputs = tokenizer(text, return_tensors="pt")
if inputs["input_ids"].numel() == 0:
    raise ValueError("Text produced no input tokens")
set_seed(555)
with torch.inference_mode():
    waveform = model(**inputs).waveform[0].cpu().float().numpy()
if waveform.ndim != 1 or waveform.size == 0 or not np.isfinite(waveform).all():
    raise ValueError("Invalid waveform")
rate = int(model.config.sampling_rate)
wavfile.write("english_demo.wav", rate, waveform)
stored_rate, stored_audio = wavfile.read("english_demo.wav")
assert stored_rate == rate and stored_audio.shape == waveform.shape
print({"path": str(Path("english_demo.wav").resolve()), "sampling_rate": rate,
       "samples": int(waveform.size), "duration_seconds": waveform.size / rate})

程序验收与试听分开做

程序断言检查波形非空、数值有限、写入后的采样率与样本形状一致。打开实际 english_demo.wav，核对是否听到了完整句子，特别是 Friday、report 和 before 等词；再检查开头、结尾有没有遗漏。文件存在不等于英文读对，打印的 duration_seconds 也不是模型质量指标。

数字、缩写和随机性怎样处理

模型资料说明持续时长预测带随机性，本例设置随机种子便于同环境检查；这不保证不同设备与不同版本的波形逐位相同。后续可加入日期、数字和缩写对照，先把真实想表达的读法写成明确英文单词，再试听是否保留原意。不要因为代码成功就把电话号码或金额音频直接用于业务通知。

故障与适用边界

出现无法下载时先区分网络与文件权限；波形为空或非有限值应停止保存。内存不足要检查权重和输入长度，长稿可按句分开生成并逐段核对；本例没有实现无缝拼接、字幕对齐或音色选择。朗读内容含不合适的停顿时，先改标点和明确读法，再用同句复测，不把一次调参当成固定改善效果。

本文已核对官方接口与模型资料，示例输入为人为构造；未在本文环境下载并实跑所列公开模型，未测速度或任务准确率。验收需由你在自己的机器上执行，不能把示例程序当成真实任务效果评测。

官方资料

• 英文MMS-TTS模型、VITS接口及许可依据
• 英文MMS-TTS模型、VITS接口及许可依据