开发者发布 Open-XTTS-Trainer 开源训练套件

作者发布 Open-XTTS-Trainer，这是一个基于 MPL-2.0 协议的开源模块化训练套件，旨在解决 Coqui AI 关闭后 XTTS v2 缺乏官方训练代码的问题。该工具完整覆盖了 DVAE 音频分词器、GPT 文本与词表扩展器以及 Latent HiFi-GAN 声码器三个核心组件的训练流程，并提供了经过验证的 GPU 损失收敛数据和一键式 Google Colab 演示环境。 针对 XTTS v2 此前无法处理新 Unicode 脚本（如阿拉伯语、印地语等）导致 OOV 或维度崩溃的痛点，该工具在 Stage 2 中实现了自动扫描语料库、发现独特字符并动态调整 GPT 嵌入矩阵的功能，同时避免了破坏现有权重。在依赖关系方面，它修复了现代 PyTorch (2.4+) 环境下因缺失 torchcodec 导致的兼容性问题。实测数据显示，在 NVIDIA T4 GPU 上使用真实人类语音进行 10 个 epoch 的训练，HiFi-GAN Mel 重建损失下降了 67%，DVAE Mel 误差同样下降 67%，且判别器 MPD+MSD 稳定在 3.62，未出现模式坍塌。 事实层面，该工具确实提供了三个阶段的独立训练循环和词表扩展逻辑，解决了特定版本的依赖阻塞问题。推断层面，这意味着社区现在可以低成本地为任何拥有文本和音频数据的语言定制 XTTS v2 模型，而不再受限于官方支持的 17 种语言。猜测层面，虽然基准测试展示了组件级的收敛稳定性，但端到端推理时的实际生成质量仍需用户自行验证，且动态调整词表对长尾语言的具体效果尚未在大规模生产中得到证实。