IMS-Toucan（又称ToucanTTS）是由德国斯图加特大学自然语言处理研究所（IMS）开发的一款文本转语音（Text-to-Speech, TTS）工具包，用于训练、使用和教学先进的语音合成系统。其核心系统ToucanTTS具备快速、可控的特点，且不需要大量计算资源，官方宣称支持超过7000种语言。该工具包完全免费，代码与模型开源，并在Hugging Face上提供免费的GPU在线演示以及大规模多语言TTS数据集。
用途：IMS-Toucan主要用于多语言文本到语音的合成，可应用于语音助手、朗读工具、语音交互界面等场景；同时也可作为研究教学平台，用于训练自定义语音模型或进行微调。
主要能力：支持超过7000种语言的语音合成；提供预训练模型，可下载用于推理；支持语言嵌入和说话人嵌入控制；支持控制语速、音高曲线方差、能量曲线方差等韵律参数；支持多GPU训练；提供在线交互式演示和数据集。
使用方式：推荐使用Python 3.10。安装时需克隆仓库。若需训练模型，机器应至少有一块支持CUDA的GPU；推理则无需GPU。Linux下需安装特定依赖（通常预装），并建议创建虚拟环境。Windows需根据venv文档调整命令。使用GPU时，Linux无需额外操作；Windows需参考PyTorch官网安装支持GPU的版本。可通过编辑Utility/storage_config.py自定义模型和缓存存储路径。预训练模型会自动从Hugging Face下载。eSpeak-NG为可选依赖，用于处理多种语言的特殊情况。Linux下通常已安装，Windows需下载.msi安装包并设置PHONEMIZER_ESPEAK_LIBRARY环境变量；Mac安装较复杂，可参考相关指南，安装后同样需设置该环境变量指向libespeak-ng.dylib。
推理时，通过InferenceInterfaces/ToucanTTSInterface.py加载模型，可设置语言与说话人嵌入。提供read_to_file（将字符串列表合成为音频文件）和read_aloud（直接播放合成语音）两种方法。示例见run_interactive_demo.py和run_text_to_file_reader.py。韵律参数可在代码中调整或传递给接口。
训练自定义模型需创建Recipe：在Utility/path_to_transcript_dicts.py中编写函数返回音频路径与转录文本的字典；在TrainingInterfaces/Recipes下复制finetuning_example_simple.py（单数据集）或finetuning_example_multilingual.py（多数据集）进行修改，替换path_to_transcript_dict、缓存目录名、save_dir，并将lang改为对应ISO 639-3语言ID。如需从头训练，参考名称含ToucanTTS的pipeline。最后在run_training_pipeline.py中导入run函数并注册到pipeline_dict。训练时可指定GPU ID（多GPU用逗号分隔并配合torchrun），支持Weights & Biases日志。每轮或指定步数后保存检查点，仅保留最近五个，同时生成用于推理的best.py。若出现CUDA内存不足，需减小batchsize。
适用场景：多语言语音合成研究、低资源语言TTS开发、语音克隆与韵律控制实验、教学演示等。
限制：虽然支持7000+语言，但具体每种语言的合成质量可能受训练数据影响；训练需要GPU，数据质量不佳可能导致损失NaN；部分警告信息（如xFormers加载失败、torchaudio后端切换等）可忽略。
