用途：为 Piper 的轻量 ONNX 运行时训练自定义文本转语音（TTS）语音，适合嵌入式设备上的快速离线 TTS。
主要能力与流程：
- 语料准备：收集 1300-1500+ 条覆盖较广音素范围的短语，可用 piper-recording-studio 语料为基础并加入领域短语；非美式英语需注意地区拼写。
- 音频生成：训练音频为 22050Hz 单声道 WAV。若用语音克隆（如 Chatterbox TTS），先按源采样率生成再转换：sox -v 0.95 input.wav -r 22050 -t wav output.wav，-v 0.95 用于防止重采样削波。录音需麦克风位置与房间声学一致、背景噪声小、语速自然。
- Whisper 质量校验：用 whisper 与 piper_phonemize 做音素级比对，失败样本最多重试 3 次，目标数据集覆盖率 95%+。
- 数据集格式：LJSpeech 结构，metadata.csv 为 {id}|{text} 管道分隔、无表头，音频放 wavs/。
- 预处理：python3 -m piper_train.preprocess --language en-gb --input-dir dataset/ --output-dir piper_training_dir/ --dataset-format ljspeech；澳/新/英音用 en-gb。
- 训练：微调（推荐）示例 python3 -m piper_train --dataset-dir piper_training_dir/ --accelerator gpu --devices 1 --batch-size 12 --max_epochs 3000 --resume_from_checkpoint ljspeech-2000.ckpt --checkpoint-epochs 100 --quality high --precision 32。显存不足可降 batch-size；小数据集可加 --validation-split 0.0 --num-test-examples 0；用 TensorBoard 观察 loss_disc_all。
- ONNX 导出：python3 -m piper_train.export_onnx checkpoint.ckpt output.onnx.unoptimized，再 onnxsim output.onnx.unoptimized output.onnx，并按训练 config.json 生成 output.onnx.json。
微调与从零训练：微调约 1300 条短语 + 1000 轮（普通 GPU 数天）；从零约 13000+ 条短语 + 2000+ 轮（数周至数月）。
本地化：Piper 用 espeak-ng 音素化，美式发音会导致口音漂移；训练前对语料运行 scripts/convert_spelling.py，使用 en-gb 或 en-au，并检查音素。常见拼写转换如 -ize→-ise、-or→-our、-er→-re、-og→-ogue、-ense→-ence。
依赖与硬件：建议固定 pytorch-lightning==1.9.3、torch<2.6.0、piper-phonemize、onnxruntime-gpu、onnxsim，推荐 Docker 保证可复现。微调最低 8GB 显存 GPU（Pascal 或更新）、8GB 内存，Tesla P4 上 1000 轮约 5 天；从零训练时间约乘 200 倍。
限制与排错：CUDA OOM 降低 batch-size（试 8 或 4）；检查点无法加载时核对 pytorch-lightning 版本；输出乱码多为轮数不足或数据集过小；口音错误需检查 espeak-ng 语言代码与语料拼写。资料未提供具体价格、平台支持范围与效果保证。