开源语音对话系统更新：新增英文Matcha-TTS支持与远场VAD优化

项目简介

最近我对开源的端到端C++语音对话系统进行了两个重要更新：

1. 远场VAD支持优化 - 提升远距离语音检测能力
2. 英文Matcha-TTS集成 - 新增高质量英文文本转语音功能

项目地址：https://github.com/muggle-stack/e2e_voice

主要更新内容

1. 远场VAD增强

• VAD缓冲区放大100倍，显著提升远场语音检测灵敏度
• 支持双声道音频采样，智能混合左右声道提升音频质量
• 自适应放大算法，根据信号强度动态调整检测参数
• 适用于会议室、教室等大空间环境的语音交互

2. 英文Matcha-TTS支持

• 集成英文Matcha-TTS模型，支持高质量英文语音合成
• 依赖espeak-ng进行英文文本到音素转换
• 自动模型下载管理，首次使用时按语言类型下载对应模型
• 与中文TTS共享Vocos声码器，优化存储空间

如何使用英文TTS

系统要求

确保已安装espeak-ng（英文TTS必需）：

# Ubuntu/Debian
sudo apt install espeak-ng

# macOS 安装 espeak 或者 espeak-ng
brew install espeak

编译项目

git clone https://github.com/muggle-stack/e2e_voice.git
cd e2e_voice
./build.sh

使用方法

1. 完整对话系统（支持语言切换）

# 使用中文TTS
./build/bin/asr_llm_tts --tts_type zh

# 使用英文TTS
./build/bin/asr_llm_tts --tts_type en

2. 独立TTS工具

# 中文语音合成
./build/bin/tts --text "你好世界" --tts_type zh --save_audio_path chinese.wav

# 英文语音合成
./build/bin/tts --text "Hello World" --tts_type en --save_audio_path english.wav

3. 核心代码实现：多语言TTS适配

1. 头文件中添加语言特定常量定义

在 include/tts/tts_model_downloader.hpp 中：

class TTSModelDownloader {
public:
    // 模型文件路径常量
    static constexpr const char* MATCHA_ZH_MODEL = "matcha-icefall-zh-baker/model-steps-3.onnx";
    static constexpr const char* MATCHA_ZH_LEXICON = "matcha-icefall-zh-baker/lexicon.txt";
    static constexpr const char* MATCHA_ZH_TOKENS = "matcha-icefall-zh-baker/tokens.txt";
    static constexpr const char* MATCHA_ZH_DICT_DIR = "matcha-icefall-zh-baker/dict";
    static constexpr const char* MATCHA_EN_MODEL = "matcha-icefall-en_US-ljspeech/model-steps-3.onnx";
    static constexpr const char* MATCHA_EN_TOKENS = "matcha-icefall-en_US-ljspeech/tokens.txt";
    static constexpr const char* MATCHA_EN_DATA_DIR = "matcha-icefall-en_US-ljspeech/espeak-ng-data";
    static constexpr const char* VOCOS_VOCODER = "vocos-22khz-univ.onnx";
    
    // 新增语言特定的模型检查方法
    bool ensureModelsExist(const std::string& language);
};

2. 语言特定的模型下载实现

在 src/tts/tts_model_downloader.cpp 中添加：

bool TTSModelDownloader::ensureModelsExist(const std::string& language) {
    if (!ensureCacheDir()) {
        return false;
    }
    
    // 首先确保声码器存在（所有语言共享）
    std::string vocoder_path = getModelPath(VOCOS_VOCODER);
    if (!fs::exists(vocoder_path)) {
        if (!downloadVocoder()) {
            std::cerr << "Failed to download vocoder" << std::endl;
            return false;
        }
    }
    
    // 检查语言特定模型
    if (language == "zh") {
        std::string model_path = getModelPath(MATCHA_ZH_MODEL);
        std::string lexicon_path = getModelPath(MATCHA_ZH_LEXICON);
        std::string tokens_path = getModelPath(MATCHA_ZH_TOKENS);
        std::string dict_path = getModelPath(MATCHA_ZH_DICT_DIR);
        
        if (!fs::exists(model_path) || !fs::exists(lexicon_path) || 
            !fs::exists(tokens_path) || !fs::exists(dict_path)) {
            if (!downloadLanguageModel("zh")) {
                return false;
            }
        }
    } else if (language == "en") {
        std::string model_path = getModelPath(MATCHA_EN_MODEL);
        std::string tokens_path = getModelPath(MATCHA_EN_TOKENS);
        std::string data_dir = getModelPath(MATCHA_EN_DATA_DIR);
        
        if (!fs::exists(model_path) || !fs::exists(tokens_path) || !fs::exists(data_dir)) {
            if (!downloadLanguageModel("en")) {
                return false;
            }
        }
    } else {
        std::cerr << "Unsupported language: " << language << std::endl;
        return false;
    }
    
    std::cout << "All TTS models for " << language << " are ready!" << std::endl;
    return true;
}

3. 应用程序中的语言适配逻辑

在 src/main_asr_llm_tts.cpp 和 src/main_asr_llm_tts_api.cpp 中：

// TTS配置根据语言类型动态设置
if (params_.tts_type == "zh") {
    // 中文TTS配置
    tts_config.acoustic_model_path = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_ZH_MODEL);
    tts_config.vocoder_path = tts_downloader.getModelPath(tts::TTSModelDownloader::VOCOS_VOCODER);
    tts_config.lexicon_path = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_ZH_LEXICON);
    tts_config.tokens_path = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_ZH_TOKENS);
    tts_config.data_dir = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_ZH_DICT_DIR);
    tts_config.language = "zh";
} else if (params_.tts_type == "en") {
    // 英文TTS配置
    tts_config.acoustic_model_path = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_EN_MODEL);
    tts_config.vocoder_path = tts_downloader.getModelPath(tts::TTSModelDownloader::VOCOS_VOCODER);
    tts_config.tokens_path = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_EN_TOKENS);
    tts_config.data_dir = tts_downloader.getModelPath(tts::TTSModelDownloader::MATCHA_EN_DATA_DIR);
    tts_config.language = "en";
}

// 调用语言特定的模型确保方法
if (!tts_downloader.ensureModelsExist(params_.tts_type)) {
    std::cerr << "Failed to ensure TTS models exist" << std::endl;
    return false;
}

4. 参数结构体更新

在参数结构体中添加TTS语言类型字段：

struct Params {
    // 其他参数...
    std::string tts_type;    // TTS语言类型
    
    Params() :
        // 其他默认值...
        tts_type("zh") {}    // 默认中文
};

这种设计保持了原有接口的兼容性，同时支持了多语言扩展。

模型文件结构

更新后的模型文件组织更加清晰：

~/.cache/matcha-tts/
├── vocos-22khz-univ.onnx              # 共享声码器
├── matcha-icefall-zh-baker/           # 中文TTS模型
│   ├── model-steps-3.onnx
│   ├── lexicon.txt
│   ├── tokens.txt
│   └── dict/
└── matcha-icefall-en_US-ljspeech/     # 英文TTS模型
    ├── model-steps-3.onnx
    ├── tokens.txt
    └── espeak-ng-data/

核心技术特性

智能模型管理

• 首次运行时根据选择的语言类型自动下载对应模型
• 中文和英文模型分别存储，按需下载节省存储空间
• 声码器在两种语言间共享，提高资源利用效率

远场录音优化

• 支持双声道录音：--channels 2
• 远场VAD增强自动启用，提升大空间环境下的语音检测能力
• 智能信号放大，根据距离动态调整检测灵敏度

从单语言到双语言的升级

如果您之前使用的是只支持中文的版本，升级非常简单：

1. 拉取最新代码

git pull origin master
./build.sh

2. 清理旧模型（可选）

rm -rf ~/.cache/matcha-tts/

3. 选择语言运行

# 自动下载中文模型
./build/bin/asr_llm_tts --tts_type zh

# 自动下载英文模型  
./build/bin/asr_llm_tts --tts_type en

配置参数说明

新增的主要参数：

参数	说明	默认值	示例
--tts_type	TTS语言类型	zh	en
--channels	音频通道数	1	2

实际效果展示

远场录音测试

• 测试环境：5米距离，会议室环境
• 传统VAD：检测成功率约60%
• 增强VAD：检测成功率提升至85%+

英文TTS质量

• 发音准确性：基于espeak-ng的IPA音素，发音标准
• 音质表现：与中文TTS相当的自然度
• 响应速度：合成速度0.9x实时，满足实时对话需求

使用建议

故障排查

1. 英文TTS无声音：检查是否安装espeak-ng
2. 模型下载失败：检查网络连接，可手动下载模型文件
3. 远场检测不灵敏：尝试使用双声道录音 --channels 2

后续计划

• 支持更多语言（德语、法语等）
• 添加三通道回采，双mic以上降噪、声纹、声源等
• 优化模型推理速度
• 添加语音情感控制
• 实现实时语音克隆

联系方式

• GitHub: muggle-stack
• 项目地址: e2e_voice
• 邮箱: promuggle@gmail.com

---

如果觉得这个项目对您有帮助，请给个⭐Star支持一下！

欢迎提交Issue和PR，一起完善这个开源语音对话系统！

---

开源许可：个人学习研究免费使用，商业用途需要许可