creating (plugin)

Aemeath 语音输出（GPT-SoVITS → DeepSeek Harness）

把你自己训练的 GPT-SoVITS 音色做成一个本地 HTTP 语音服务，DeepSeek（DSH）通过一条命令就能把文字念出来。

这一整套已经打包成 DSH 插件 dsh-yourself-voice（你的语音）： 设置页在「设置 → 插件 → 你的语音」，助手回复下方还有一个喇叭按钮可以手动朗读/停止。 插件源码就是本目录的 plugin\，上架材料见 plugin\PUBLISH.md。

当前默认音色：Aemeath.3.0（v4 模型），参考音频 ref/aemeath_ref.wav。

想把这一整套音色给别人用：plugin\dist\aemeath3-1.0.0.tar.gz（203 MB，权重 + 参考音频 + 参考原文）一个包搞定， 插件的「音色包」tab 里点一下就装好并自动切换 —— 主 npm 包因此不用背着 200 MB 的权重。 做法与托管见 plugin\README.md 的「音色包」一节。

---

0. 三种用法

用法	入口	适合
DSH 插件 · 工具与命令（推荐）	模型工具 voice_speak / voice_settings，输入框命令 /voice	让模型自己开口；每轮回复自动朗读
DSH 插件 · 网页按钮	每条助手回复下方的喇叭图标（点一下朗读、再点停止）	手动挑一条重听，不影响自动朗读开关
DSH 插件 · 设置页	「设置 → 插件 → 你的语音」	可视化切音色 / 调参数 / 试听 / 看服务状态，不用手改 json
命令行脚本	speak.ps1	不经过 DSH 手动试音、批处理、别的程序调用

插件源码在 plugin\，装法/改法/设置项见 plugin\README.md。 两者共用同一份 settings.json 与同一个推理服务（端口 9880），可以同时用。

---

1. 目录结构

路径	作用
settings.json	唯一事实来源：模型、参考音频、语速、播放、自动朗读等 29 项（插件写）
tts_config.yaml	服务用的模型配置，由 settings.json 自动生成，不要手改（会被覆盖）
start_server.ps1	启动推理服务，监听 http://127.0.0.1:9880
speak.ps1	合成 + 播放一条文本（服务没开会自动拉起）
plugin\	DSH 插件 dsh-yourself-voice：宿主半边 index.mjs/api.mjs/engine.mjs/models.mjs/settings.mjs/voicepack.mjs、浏览器半边 client.js、自带资产 assets\
plugin\dist\	音色包产物（scripts\build-voicepack.mjs 生成；203 MB，不进 npm 包也不进 git）
install\	插件的安装 / 卸载脚本与 profile patch 片段
ref/aemeath_ref.wav	参考音频（3.7 秒，来自 Aemeath.3.0 训练集的 32k 切片）
ref/prompt.txt	参考音频对应的原文
out/	输出：last.wav、server.log、两个插件挂载标记
tmp/、numba_cache/	运行时临时目录（见「坑」一节，不要删）

2. 怎么用

# 说话
cd C:\Users\森\Documents\deepseek-harness\default-workspace\aemeath-voice
powershell -ExecutionPolicy Bypass -File .\speak.ps1 "你好，我是爱弥斯。"

# 只合成不播放（拿到 wav 文件）
.\speak.ps1 "只出声不播放" -NoPlay -OutFile .\out\demo.wav

# 英文
.\speak.ps1 "Hello, I am Aemeath." -TextLang en -PromptLang en

# 语速
.\speak.ps1 "说慢一点" -Speed 0.85

-ExecutionPolicy Bypass 不能省：系统默认禁止运行 .ps1 脚本。 服务没启动时 speak.ps1 会自动拉起（实测约 16 秒），不想自动启动就加 -NoAutoStart。

单独启动 / 重启服务：

powershell -ExecutionPolicy Bypass -File .\start_server.ps1          # 前台，日志同时写到 out\server.log
powershell -ExecutionPolicy Bypass -File .\start_server.ps1 -Port 9881

3. 换成别的已训练模型

最省事：打开 设置 → 插件 → 你的语音 → 音色与模型，插件会把权重目录里能配成一对的 GPT+SoVITS 权重列成音色卡片，点卡片即切换（卡片上有 ▶ 可直接试听），下面还有高级区可以手填 单侧权重。切完的合成参数会按音色分别记住。

也可以走工具/命令或直接改 settings.json 里的 version / gptWeights / sovitsWeights 三项 （tts_config.yaml 会按它自动重新生成）：

voice_settings {action:"set", changes:{"version":"v4","gptWeights":"GPT_weights_v4/Aemeath.3.0-e15.ckpt","sovitsWeights":"SoVITS_weights_v4/Aemeath.3.0_e2_s214_l32.pth"}}

只换权重（version 不变）会自动走服务端热切换，不重启；换世代则自动重启服务。 没用插件时，直接编辑 tts_config.yaml 的 custom: 段（路径都相对 GPT-SoVITS 根目录）再重启服务也行：

custom:
  version: v4                                            # v1 v2 v2Pro v2ProPlus v3 v4
  t2s_weights_path: GPT_weights_v4/Aemeath.3.0-e15.ckpt   # GPT 权重
  vits_weights_path: SoVITS_weights_v4/Aemeath.3.0_e2_s214_l32.pth
  bert_base_path: GPT_SoVITS/pretrained_models/chinese-roberta-wwm-ext-large
  cnhuhbert_base_path: GPT_SoVITS/pretrained_models/chinese-hubert-base
  device: cuda
  is_half: true

本机已有的训练成果：

模型	GPT 权重	SoVITS 权重	version
Aemeath.3.0（当前）	GPT_weights_v4/Aemeath.3.0-e{5,10,15}.ckpt	SoVITS_weights_v4/Aemeath.3.0_e{1_s107,2_s214}_l32.pth	v4
Aemeath.2.1	GPT_weights_v2ProPlus/Aemeath.2.1-e{5,10,15}.ckpt	SoVITS_weights_v2ProPlus/Aemeath.2.1_e{4_s108,8_s216}.pth	v2ProPlus
Aemeath.2.0	GPT_weights_v2Pro/Aemeath.2.0-e{5,10,15}.ckpt	SoVITS_weights_v2Pro/Aemeath.2.0_e{4_s108,8_s216}.pth	v2Pro
Aemeath_v2Pro_01	GPT_weights_v2Pro/Aemeath_v2Pro_01-e{5,10,15}.ckpt	SoVITS_weights_v2Pro/Aemeath_v2Pro_01_e{4_s72,8_s144}.pth	v2Pro

e5/e10/e15 是训练轮数，一般 e15 效果最好但更容易过拟合；换成别的版本时 version 必须同步改，否则加载会报维度不匹配。

不重启服务换模型（服务已跑起来时）：

Invoke-RestMethod "http://127.0.0.1:9880/set_gpt_weights?weights_path=GPT_weights_v2ProPlus/Aemeath.2.1-e15.ckpt"
Invoke-RestMethod "http://127.0.0.1:9880/set_sovits_weights?weights_path=SoVITS_weights_v2ProPlus/Aemeath.2.1_e8_s216.pth"

4. 换参考音频（决定音色与语气）

ref_audio_path 的音频是「音色模板」，prompt_text 必须与它逐字对应。换音色：

.\speak.ps1 "测试" -RefAudio "D:\...\logs\Aemeath.3.0\5-wav32k\source.wav_0000000000_0000121600.wav" `
                 -PromptText "椿姐姐和我一起在冰原上追着隧群跑过."

参考音频建议 3–10 秒、干净无 BGM（logs\<模型名>\5-wav32k\ 下就是训练用的 32k 切片，2-name2text.txt 里有每条的原文）。三版模型的切片都在，可混用。

5. 直接调 HTTP 接口

$body = @{
  text = "你好"; text_lang = "zh"
  ref_audio_path = "C:\...\aemeath-voice\ref\aemeath_ref.wav"
  prompt_text = "陆医生是个有能力的好人,学生们大多都很喜欢他."; prompt_lang = "zh"
  text_split_method = "cut5"; media_type = "wav"; streaming_mode = $false
} | ConvertTo-Json -Compress
Invoke-WebRequest "http://127.0.0.1:9880/tts" -Method Post -ContentType "application/json" `
  -Body ([Text.Encoding]::UTF8.GetBytes($body)) -OutFile out\http.wav

接口文档：服务启动后打开 http://127.0.0.1:9880/docs。

6. 两个必须知道的坑

1. import librosa 会永久挂死。numba 用 tempfile 探测缓存目录，如果 TMP/TEMP 指向不可写的位置，api_v2.py 会卡在 import 阶段——没有报错、没有输出、端口永远不监听。start_server.ps1 里已经把 TMP/TEMP/NUMBA_CACHE_DIR 指到本目录的 tmp/、numba_cache/，别把它们删掉或改成别处。
2. .ps1 必须是 UTF-8 with BOM。Windows PowerShell 5.1 对无 BOM 的 .ps1 按 GBK 解码，中文注释会串行、把下一行代码吞进注释里，表现为「$PSScriptRoot 是空的」之类的怪错。用文本编辑器改这两个脚本后，请确认保存为 UTF-8 带 BOM。

7. 环境

• GPT-SoVITS：D:\Aemeath\AI GPT-SoVITS\GPT-SoVITS-v2pro-20250604（内置 runtime\python.exe，Python 3.9 + torch 2.0.0+cu118）
• GPU：RTX 4060 Laptop（8 GB）
• 实测速度：13.6 秒语音约 16 秒合成（首句含预热约 12–20 秒）