使用 NVIDIA Triton 和 TensorRT-LLM 部署 TTS 应用的最佳实践

针对基于 Diffusion 和 LLM 类别的 TTS 模型，NVIDIA Triton 和 TensorRT-LLM 方案能显著提升推理速度。在单张 NVIDIA Ada Lovelace GPU 上，F5-TTS 模型每秒可生成长达 25 秒的音频；Spark-TTS 在流式合成场景下，首包延迟可低至 200 余毫秒。

Text-to-Speech (TTS) 是智能语音技术的核心组成部分。随着大模型时代的到来，TTS 模型的参数量和计算量持续增长，如何高效利用 GPU 部署 TTS 模型，构建低延迟、高吞吐的生产级应用，已成为开发者日益关注的焦点。

本文将围绕两款 Github 社区流行的 TTS 模型——F5-TTS[1] 和 Spark-TTS[2]——详细介绍运用NVIDIA Triton推理服务器和 TensorRT-LLM 框架实现高效部署的实践经验，包括部署方案的实现细节、具体使用方法及最终的推理效果等。开发者可根据不同的应用场景选择合适的方案，并可利用性能分析工具调整配置，以最大化利用 GPU 资源。

方案介绍

当前主流的 TTS 大模型大致可分为两类：非自回归扩散模型和自回归 LLM 模型。非自回归扩散模型因其解码速度快，易于实现高吞吐性能；而自回归 LLM 模型则以更佳的拟人效果和对流式合成的天然支持为特点。实践中，常有方案将两者结合，先使用自回归 LLM 生成语义 Token，再利用非自回归扩散模型生成音频细节。

图1： TTS 部署方案结构

F5-TTS

F5-TTS 是一款非自回归扩散 TTS 模型，它基于 DiT (Diffusion Transformer) 和 Flow-matching 算法，移除了传统非自回归 TTS 模型中的 Duration 模块，使模型能直接学习文本到语音特征的对齐。

其推理加速方案利用NVIDIA TensorRT-LLM加速计算密集的 DiT 模块，并采用 NVIDIA TensorRT 优化 Vocos 声码器，最后通过 NVIDIA Triton 进行服务部署。

方案地址：

https://github.com/SWivid/F5-TTS/tree/main/src/f5_tts/runtime/triton_trtllm

Spark-TTS

Spark-TTS 是一款自回归 LLM TTS 模型，它采用经过扩词表预训练的 Qwen2.5-0.5B LLM 来预测 Speech Token，并基于 VAE Decoder 重构最终音频。

其部署方案通过 NVIDIA TensorRT-LLM 加速基于 LLM 的语义 Token 预测模块，并借助 NVIDIA Triton 串联其余组件，支持离线合成与流式推理两种模式。

方案地址：

https://github.com/SparkAudio/Spark-TTS/tree/main/runtime/triton_trtllm

方案性能

我们从 WenetSpeech4TTS 测试集[3] 中选取了 26 组 Prompt Audio 和 Target Text 音频文本对，在 Zero-shot 音色克隆任务上测试了模型的推理性能。测试细节如下：

F5-TTS

针对 F5-TTS，我们在 Offline 模式下（即直接在本地进行推理，不涉及服务部署和请求调度）测试了 TensorRT-LLM 推理方案的性能：

测试结果如下（Batch Size 固定为 1，因当前 F5-TTS 版本暂不支持 Batch 推理；Flow-matching 推理步数固定为 16）：

如上表所示，与原生 PyTorch 实现（默认启用 SDPA 加速）相比，NVIDIA TensorRT-LLM 方案在 Ada Lovelace GPU 上实现了约 3.6 倍的加速，每秒可生成的音频时长从 7 秒提升至 25 秒。

Spark-TTS

对于 Spark-TTS，我们在 Client-Server 模式下（即客户端向服务器发送请求）测试了端到端推理服务的性能。测试结果如下（Offline 模式不统计首包延迟，Streaming 模式首包音频长度为 1 秒）：

上表结果中，LLM 模块默认启用了 TensorRT-LLM 的 inflight batching 模式。为模拟多路并发场景，我们基于 Python asyncio 库实现了一个异步并发客户端。此部署方案在 Ada Lovelace GPU 上，每秒可生成约 15 秒音频，流式模式下的首包延迟低至 200 余毫秒。

快速上手

本节将指导您如何快速部署和测试 F5-TTS 与 Spark-TTS 模型。在此之前，建议您先克隆对应的代码仓库，并进入 runtime/triton_trtllm 目录操作。

F5-TTS

详细步骤请参考 F5-TTS/src/f5_tts/runtime/triton_trtllm/README.md 和 run.sh 脚本。

1. 最简部署 (Docker Compose)：这是启动 F5-TTS 服务最快捷的方式。

# 根据您的模型选择，例如 F5TTS_BaseMODEL=F5TTS_Base docker compose up

（注意：F5TTS_v1_Base 的支持可能仍在开发中，请检查项目 README）

2. 手动部署与服务启动：如果您需要更细致地控制部署流程，可以使用 run.sh 脚本分阶段执行。

# 脚本参数：  [model_name]# 例如，执行阶段0到4，使用 F5TTS_Base 模型bash run.sh 0 4 F5TTS_Base

这个命令会依次执行以下主要步骤：

• Stage 0：下载 F5-TTS 模型文件。

• Stage 1：转换模型权重为 TensorRT-LLM 格式并构建引擎。

• Stage 2：导出 Vocos 声码器为 TensorRT 引擎。

• Stage 3：构建 Triton 推理服务器所需的模型仓库。

• Stage 4：启动 Triton 推理服务器。

3. 测试服务：服务启动后，您可以使用提供的客户端脚本进行测试。

• gRPC 客户端 (数据集 Benchmark)：

# 示例命令，对应 run.sh stage 5# 具体参数（如 num_task, dataset）请根据需求调整python3 client_grpc.py --num-tasks 1 --huggingface-dataset yuekai/seed_tts --split-name wenetspeech4tts --log-dir ./log_f5_grpc_bench

• HTTP 客户端（单句测试）:

# 示例命令，对应 run.sh stage 6# audio, reference_text, target_text 请替换为您的测试数据python3 client_http.py --reference-audio ../../infer/examples/basic/basic_ref_en.wav \\                       --reference-text "Some call me nature, others call me mother nature." \\                       --target-text "I don\\'t really care what you call me. I\\'ve been a silent spectator, watching species evolve, empires rise and fall. But always remember, I am mighty and enduring."

4. OfflineTensorRT-LLM基准测试：如果您希望直接测试 TensorRT-LLM 在 Offline 模式下的性能（不通过 Triton 服务），可以执行 run.sh 中的 Stage 7。

# 此命令对应 run.sh stage 7# 环境变量如 F5_TTS_HF_DOWNLOAD_PATH, model, vocoder_trt_engine_path, F5_TTS_TRT_LLM_ENGINE_PATH# 通常在 run.sh 脚本顶部定义，请确保它们已正确设置或替换为实际路径。batch_size=1model=F5TTS_Base # 示例模型名称split_name=wenetspeech4ttsbackend_type=trtlog_dir=./log_benchmark_batch_size_${batch_size}_${split_name}_${backend_type}# 确保以下路径变量已设置，或直接替换# F5_TTS_HF_DOWNLOAD_PATH=./F5-TTS (示例)# F5_TTS_TRT_LLM_ENGINE_PATH=./f5_trt_llm_engine (示例)# vocoder_trt_engine_path=vocos_vocoder.plan (示例)rm -r $log_dir 2>/dev/null# ln -s ... # 符号链接通常在 run.sh 中处理，按需创建torchrun --nproc_per_node=1 \\benchmark.py --output-dir $log_dir \\--batch-size $batch_size \\--enable-warmup \\--split-name $split_name \\--model-path $F5_TTS_HF_DOWNLOAD_PATH/$model/model_1200000.pt \\--vocab-file $F5_TTS_HF_DOWNLOAD_PATH/$model/vocab.txt \\--vocoder-trt-engine-path $vocoder_trt_engine_path \\--backend-type $backend_type \\--tllm-model-dir $F5_TTS_TRT_LLM_ENGINE_PATH || exit 1

Spark-TTS

详细步骤请参考 Spark-TTS/runtime/triton_trtllm/README.md 和 run.sh 脚本。

1. 最简部署 (Docker Compose):

docker compose up

2. 手动部署与服务启动：使用 run.sh 脚本进行分阶段部署。

# 脚本参数： [service_type]# service_type 可为 'streaming' 或 'offline'，影响模型仓库配置# 例如，执行阶段0到3，部署为 offline 服务bash run.sh 0 3 offline

此命令会执行：

• Stage 0：下载 Spark-TTS 模型。

• Stage 1：转换模型权重并构建 TensorRT 引擎。

• Stage 2：根据指定的 service_type (streaming/offline) 创建 Triton 模型仓库。

• Stage 3：启动 Triton 推理服务器。

3. 测试服务 (Client-Server 模式)：服务启动后，可使用客户端脚本进行测试。

• gRPC 客户端 (数据集 Benchmark)：此命令对应 run.sh 中的 stage 4。

# 示例：测试 offline 模式，并发数为2# bash run.sh 4 4 offline# 其核心命令如下：num_task=2mode=offline # 或 streamingpython3 client_grpc.py \\    --server-addr localhost \\    --model-name spark_tts \\    --num-tasks $num_task \\    --mode $mode \\    --huggingface-dataset yuekai/seed_tts \\    --split-name wenetspeech4tts \\    --log-dir ./log_concurrent_tasks_${num_task}_${mode}

• 单句测试客户端: 此命令对应 run.sh 中的 stage 5。

• Streaming 模式 (gRPC):

# bash run.sh 5 5 streaming# 其核心命令如下：python client_grpc.py \\    --server-addr localhost \\    --reference-audio ../../example/prompt_audio.wav \\    --reference-text $prompt_audio_transcript \\    --target-text $target_audio_text \\    --model-name spark_tts \\    --chunk-overlap-duration 0.1 \\    --mode streaming

• Offline 模式 (HTTP)：

# bash run.sh 5 5 offline# 其核心命令如下：python client_http.py \\    --reference-audio ../../example/prompt_audio.wav \\    --reference-text $prompt_audio_transcript \\    --target-text $target_audio_text \\    --model-name spark_tts

兼容 OpenAI 格式的 API

许多开源对话项目 (如 OpenWebUI)[4] 已支持 OpenAI 格式的 TTS API。为方便开发者集成，我们提供了兼容 OpenAI API 的服务，用法如下：

git clone https://github.com/yuekaizhang/Triton-OpenAI-Speech.gitcd Triton-OpenAI-Speechdocker compose upcurl $OPENAI_API_BASE/audio/speech \\    -H "Content-Type: application/json" \\    -d '{    "model": "spark_tts",    "input": $target_audio_text,    "voice": "leijun",    "response_format": "pcm"    }' | \\sox -t raw -r 16000 -e signed-integer -b 16 -c 1 - output3_from_pcm.wav

总结

无论是 F5-TTS 或是 Spark-TTS，都可以看到 NVIDIA Triton 推理服务器和 TensorRT-LLM 框架可以大幅提升 TTS 模型的推理速度，也方便开发者进行模型部署。我们将持续增加对更多语音多模态模型的部署支持。

除了 TTS，NVIDIA 技术团队也为多种社区流行的多模态模型开发了最佳实践，详细方案介绍以及教程，请参阅 mair-hub[5] 项目。

近期我们还将举办一场和该主题相关的在线研讨会，欢迎大家报名参加，共同交流和探讨。

活动地址：

https://scrm.nvidia.cn/mF/websiteEditorLandingPage/page/0050a3cc15a248489910cdf136d819ad?pushId=tnwrNs5X6CMJXbYNT4Fbwg1

引用链接

[1] F5-TTS:

https://github.com/SWivid/F5-TTS

[2] Spark-TTS:

https://github.com/SparkAudio/Spark-TTS

[3] WenetSpeech4TTS:

https://arxiv.org/abs/2406.05763

[4] OpenWebUI:

https://github.com/open-webui/open-webui

[5] mair-hub 项目：

https://github.com/nvidia-china-sae/mair-hub

作者

张悦铠

张悦铠是 NVIDIA 解决方案架构师，硕士毕业于约翰霍普金斯大学，导师为 Shinji Watanabe 教授，主要研究方向为语音识别。NVIDIA 中文语音识别解决方案主要开发者，对基于 GPU 的语音识别服务部署及优化有丰富经验。