微信机器人语音回复：GLM-TTS集成小项目分享

微信机器人语音回复：GLM-TTS集成小项目分享

你有没有想过，让微信里的自动回复不再只是冷冰冰的文字，而是带着熟悉语气、略带笑意、甚至带点家乡口音的一句“收到啦，马上处理！”？这不是科幻场景——今天我们就用科哥二次开发的GLM-TTS 镜像，把这句话变成现实。

这个项目不烧显卡、不写复杂服务、不对接云API，只靠一个本地部署的 WebUI + 几行 Python 脚本，就能把 GLM-TTS 的语音能力“接进”微信生态。它不是演示，而是一个真正能跑起来、能改、能扩、能放进工作流的小型工程实践。

下面我会带你从零开始：怎么启动模型、怎么生成自然语音、怎么把语音塞进微信消息、怎么让机器人“开口说话还像个人”。全程不用碰训练、不调超参、不读论文，只讲你能立刻上手的步骤和踩过的坑。

1. 为什么选 GLM-TTS 做微信语音回复？

先说结论：它把“像人”的门槛降到了最低。

很多 TTS 模型要么需要提前录音+微调（耗时），要么只能固定音色（死板），要么情感生硬（机械感强）。而 GLM-TTS 的三个特点，刚好切中微信机器人的真实需求：

• 零样本克隆：3–10 秒真人录音，就能复刻音色，无需训练
• 情感隐式迁移：用一段“开心语气”的参考音频，新文本自动带上轻快语调
• 方言友好：上传一段带川普腔的“你好”，合成“明天见”也会自然带调

更重要的是，它自带开箱即用的 WebUI，连 Gradio 界面都帮你搭好了。你不需要自己写 Flask 接口、不操心 CORS、不配 FFmpeg 转码——所有语音生成逻辑，封装在app.py里，调用一次就返回.wav文件。

我们做的，只是在它之上加一层“微信适配器”：监听消息 → 提取文字 → 调用 TTS → 发送语音。

没有魔法，只有清晰的链路。

2. 快速部署：5 分钟跑通本地语音生成

2.1 启动 GLM-TTS WebUI

镜像已预装全部依赖，只需两步：

cd /root/GLM-TTS source /opt/miniconda3/bin/activate torch29 bash start_app.sh

等待终端输出Running on public URL: http://localhost:7860，打开浏览器访问该地址，就能看到界面。

注意：每次重启后必须重新激活torch29环境，否则会报ModuleNotFoundError: No module named 'torch'

2.2 手动测试一次语音合成

这是验证环境是否正常的黄金步骤：

• 在「参考音频」区域上传一段 5 秒左右的清晰人声（推荐用手机录音，安静环境，说一句“今天挺好的”）
• 「参考音频对应的文本」填：“今天挺好的”（可选，但建议填，提升音色还原度）
• 「要合成的文本」输入：“收到，我这就去办。”
• 保持默认参数（采样率 24000，随机种子 42，启用 KV Cache）
• 点击「 开始合成」

约 12 秒后，页面自动播放音频，同时文件保存至@outputs/tts_20251212_113000.wav。

成功标志：听到的声音和你上传的录音音色高度一致，语调自然，无明显卡顿或失真。

如果失败，请先检查：

• 音频是否为单声道 WAV/MP3（避免 AAC 或 M4A）
• 文本是否含非法字符（如全角空格、emoji）
• 显存是否充足（运行nvidia-smi查看，应有 ≥10GB 可用）

3. 微信接入：用 itchat 实现语音消息自动回复

GLM-TTS 本身不处理通信，我们需要一个轻量级微信客户端来“桥接”。这里选用itchat（兼容个人号，无需企业资质），配合本地 HTTP 请求调用 TTS 接口。

3.1 安装与登录

pip install itchat requests

新建wechat_tts_bot.py：

# wechat_tts_bot.py import itchat import requests import os import time from pathlib import Path # GLM-TTS WebUI 地址（本地部署） TTS_URL = "http://localhost:7860" # 语音输出目录（需与 GLM-TTS 的 @outputs 一致） OUTPUT_DIR = Path("/root/GLM-TTS/@outputs") def call_tts_api(prompt_audio_path, input_text, output_name=None): """调用 GLM-TTS WebUI API（模拟表单提交）""" # 注意：Gradio 默认不开放 API，我们用 requests.post 模拟前端点击 # 实际中更稳妥的方式是改 app.py 暴露 /tts 接口，但为最小改动，此处用 UI 方式 # （科哥镜像已内置 /tts 接口，直接调用） payload = { "prompt_audio": prompt_audio_path, "prompt_text": "", # 可留空，由模型自动识别 "input_text": input_text, "sampling_rate": 24000, "seed": 42, "use_kv_cache": True, "method": "ras" } try: resp = requests.post(f"{TTS_URL}/tts", json=payload, timeout=60) if resp.status_code == 200: result = resp.json() wav_path = OUTPUT_DIR / result.get("output_file", f"tts_{int(time.time())}.wav") return str(wav_path) else: print(f"[TTS] 请求失败，状态码：{resp.status_code}") return None except Exception as e: print(f"[TTS] 调用异常：{e}") return None @itchat.msg_register(itchat.content.TEXT) def text_reply(msg): user_name = msg['FromUserName'] text = msg['Text'].strip() # 简单规则：只对含“语音”“说”“念”等关键词的消息触发 if any(kw in text for kw in ["语音", "说", "念", "读一下", "听"]): reply_text = "正在为您生成语音，请稍候..." itchat.send(reply_text, toUserName=user_name) # 使用固定参考音频（可替换为你自己的录音） ref_audio = "/root/GLM-TTS/examples/prompt/my_voice.wav" wav_file = call_tts_api(ref_audio, f"好的，{text}。") if wav_file and os.path.exists(wav_file): itchat.send_file(wav_file, toUserName=user_name) print(f"[✓] 已向 {user_name} 发送语音：{wav_file}") else: itchat.send("语音生成失败，请检查模型状态。", toUserName=user_name) else: # 默认文字回复 itchat.send("您好！发送‘语音+内容’，我将为您朗读。例如：语音今天的会议安排。", toUserName=user_name) if __name__ == '__main__': itchat.auto_login(hotReload=True) # 扫码登录，支持热重载 print("微信语音机器人已启动，等待消息...") itchat.run()

3.2 关键说明

• ref_audio是你预先准备好的参考音频路径（建议放在/root/GLM-TTS/examples/prompt/下，格式为 WAV，单声道，16bit）
• call_tts_api直接调用科哥镜像已开放的/tts接口（非 Gradio 默认接口，是二次开发增强点）
• itchat.auto_login(hotReload=True)支持断线重连，适合长期运行
• 语音文件通过itchat.send_file()发送，微信客户端可直接播放

小技巧：首次运行会弹出二维码，用手机微信扫码登录即可。登录成功后，关闭终端不会退出登录（hotReload 机制）。

4. 进阶控制：让语音更“像你”、更“懂场景”

光能说话还不够，微信对话讲究语气、节奏、分寸。GLM-TTS 提供了几个关键开关，我们可以按需调用：

4.1 按场景切换参考音频

不要只用一个录音应付所有消息。你可以建一个“语气库”：

在代码中根据关键词自动匹配：

def select_prompt_audio(text): if "投诉" in text or "不满" in text: return "/root/GLM-TTS/examples/prompt/comfort.wav" elif "恭喜" in text or "祝贺" in text: return "/root/GLM-TTS/examples/prompt/lively.wav" else: return "/root/GLM-TTS/examples/prompt/casual.wav"

4.2 文本预处理：提升发音准确率

中文多音字是语音质量的隐形杀手。我们在发送前做一层简单清洗：

def preprocess_text(text): # 替换易错词（可扩展为读取外部词典） replacements = { "银行": "yin hang", "冠心病": "guan xin bing", "重": "zhong", # 在“重要”语境下 "行": "hang", # 在“银行”语境下 } for src, dst in replacements.items(): if src in text: text = text.replace(src, f"{src}【{dst}】") return text

再配合 GLM-TTS 的音素模式（需修改app.py启用--phoneme），就能精准控制发音。

4.3 批量合成优化响应速度

单次请求 15 秒太长？微信用户没耐心等。解决方案：

• 预生成高频短语：如“收到”“好的”“马上”“稍等”，提前合成好存在本地，收到即发
• 异步生成 + 缓存：收到消息后立即回复“已收到，语音生成中…”，后台异步调用 TTS，完成后补发语音
• 合并长消息：对连续多条文字，用标点分割成 3–4 句，分别合成后用ffmpeg拼接

示例拼接命令（需安装 ffmpeg）：

ffmpeg -i tts_1.wav -i tts_2.wav -i tts_3.wav -filter_complex "concat=n=3:v=0:a=1" -c:a libmp3lame output.mp3

5. 稳定性与运维：让机器人 7×24 小时在线

个人号微信有反爬机制，长期运行需注意三点：

5.1 防止被踢下线

• itchat.auto_login(hotReload=True)是基础，但建议每 6 小时主动刷新登录态：

def keep_alive(): while True: time.sleep(6 * 3600) # 6小时 itchat.get_friends(update=True) # 触发心跳

5.2 显存管理：避免 OOM 崩溃

GLM-TTS 占用显存高（24kHz 模式约 9GB）。添加定时清理：

def clear_gpu_cache(): requests.post(f"{TTS_URL}/clear_cache") # 科哥镜像已实现该接口

可在每次合成后调用，或每 30 分钟执行一次。

5.3 日志与监控

记录关键事件，便于排查：

import logging logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler('/root/GLM-TTS/logs/wechat_bot.log'), logging.StreamHandler() ] ) logging.info(f"收到消息：{text} → 生成语音：{wav_file}")

6. 效果实测：真实对话片段对比

我们用同一段文字，在不同配置下生成语音，并对比效果（描述为主，因无法嵌入音频）：

实测结论：参考音频质量 > 采样率选择 > 参数微调。只要录音干净、情绪典型，24kHz 完全满足微信场景。

7. 总结：一个小而完整的语音智能体

这个项目没有追求“大而全”，而是聚焦一个具体问题：让微信自动回复拥有声音温度。

它用到的技术栈极简：

• 底层：GLM-TTS（零样本克隆 + 情感迁移）
• 中间：Gradio WebUI（科哥已封装好，开箱即用）
• 上层：itchat（轻量微信协议封装）
• 运维：shell 脚本 + 日志 + 定时任务

但它带来的体验升级是真实的：

• 用户不再盯着文字猜语气，而是直接“听懂”态度
• 你不用反复解释“我说的是 yin hang 不是 yin xing”，模型已学会
• 一套系统，可快速复制到客服、教育、社区通知等多个场景

最后提醒三个落地要点：

• 参考音频是命门：花 10 分钟录一段高质量音频，比调 10 小时参数更有效
• 别迷信 32kHz：微信语音播放器对音质压缩严重，24kHz 在实际体验中几乎无差别
• 先跑通，再优化：第一版只要能发语音，就是成功；后续再加缓存、并发、多音色切换

声音是人与人之间最原始的信任媒介。当你的机器人第一次用“你熟悉的声音”说出“我在呢”，那一刻，技术就不再是工具，而成了连接的桥梁。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。