我们需要让Agent有“说话”的能力，因此我们部署一个TTS。这里我使用bilibili团队开发的IndexTeam/IndexTTS-1.5。
TTS 部署
项目地址：https://github.com/index-tts/index-tts
模型地址：https://modelscope.cn/models/IndexTeam/IndexTTS-1.5/
考虑到huggingface下载的缓慢，我上面放的是modelscope的地址，可以使用他们的命令行下载，省去我在宿主机下载完还要拷贝进WSL的问题。
在下载前，请先通过如下命令安装ModelScope
pip install modelscope
然后通过如下命令下载：
modelscope download --model IndexTeam/IndexTTS-1.5 --local_dir ./IndexTTS-1.5
接下来的操作，我使用基于WSL的Ubuntu 22.04完成，我的显卡为RTX4070，cuda版本如下：
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2024 NVIDIA Corporation
Built on Wed_Oct_30_01:18:48_Pacific_Daylight_Time_2024
Cuda compilation tools, release 12.6, V12.6.85
Build cuda_12.6.r12.6/compiler.35059454_0
首先克隆项目到本地：
git clone https://github.com/index-tts/index-tts.git
为TTS运行准备一个虚拟环境，我不喜欢conda，我就直接用pip的venv了：
python3 -m venv tts
激活环境：
source tts/bin/activate
然后安装 torchaudio ，我这里从清华源安装
pip install torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
切换到项目的根目录下，安装index-tts：
pip install -e .
安装完成就一切准备就绪了。
这里额外说下cuda的问题，我的Windows上是安装了CUDA的Toolkit的：
但我通过WSL安装的Ubuntu里是没有安装的：
这不影响IndexTTS调用我的CUDA，之前我运行Qwen3的时候也没有影响，我也不清楚为什么。不过既然现在能用我就不动了。
运行
首先需要将下载的文件挪到项目目录下的checkpoints里，结构大概是这样的：
└── index-tts
├── DISCLAIMER
├── INDEX_MODEL_LICENSE
├── LICENSE
├── MANIFEST.in
├── README.md
├── assets
│ ├── IndexTTS.png
│ ├── img.png
│ └── index_icon.png
├── checkpoints
│ ├── README
│ ├── README.md
│ ├── README.md:Zone.Identifier
│ ├── README:Zone.Identifier
│ ├── bigvgan_discriminator.pth
│ ├── bigvgan_discriminator.pth:Zone.Identifier
│ ├── bigvgan_generator.pth
│ ├── bigvgan_generator.pth:Zone.Identifier
│ ├── bpe.model
│ ├── bpe.model:Zone.Identifier
│ ├── config.yaml
│ ├── config.yaml:Zone.Identifier
│ ├── configuration.json
│ ├── configuration.json:Zone.Identifier
│ ├── dvae.pth
│ ├── dvae.pth:Zone.Identifier
│ ├── gitattributes
│ ├── gitattributes:Zone.Identifier
│ ├── gpt.pth
│ ├── gpt.pth:Zone.Identifier
│ ├── unigram_12000.vocab
│ └── unigram_12000.vocab:Zone.Identifier
然后需要在项目目录下新建test_data，里面放一个input.wav作为参考音频。音频的采样率和大小没有要求。如果你暂时找不到音频，可以用tests目录下的sample_prompt.wav
然后在项目根目录执行：
python indextts/infer.py
代码里使用了不少相对定位，因此如果你换个目录执行，文件的位置也许要改。具体可以看代码。
这样你就生成了语音文件了，在项目目录下的gen.wav
生成的速度大概如下：
>> Reference audio length: 5.45 seconds
>> gpt_gen_time: 2.34 seconds
>> gpt_forward_time: 0.03 seconds
>> bigvgan_time: 0.25 seconds
>> Total inference time: 2.80 seconds
>> Generated audio length: 2.82 seconds
>> RTF: 0.9936
>> wav file saved to: gen.wav
应该说这个速度有很大的优化空间，特别是我们想把TTS作为后端长期部署在环境上，下一篇文章，我将介绍如何将目前的Demo改造为长期服务。