melo-tts-metadata-creator

介绍

该工具解决的是 MeloTTS 训练或微调前数据准备环节的痛点：手动编写 metadata.list 文件繁琐且易出错，尤其是当音频和文本文件分散在不同目录、需要处理多音色或缺少转录文本时。它能自动扫描 .wav 音频文件和对应的 .txt 转录文本，按照 MeloTTS 官方标准格式（音频路径|speaker|语言|文本）生成 metadata.list，节省大量手工操作时间。

使用方式非常直观：只需将音频和文本文件分别放入指定目录（支持不同目录但结构一致），然后运行工具即可。单音色模式通过 —speaker 参数指定说话人名称；多音色模式会自动按第一级子目录名称提取 speaker 标识。如果某个音频缺少对应的 .txt 文件，工具会自动调用 Whisper 模型进行语音转写，支持中文、英文等多种语言，确保数据完整性。

本工具特别适合需要训练或微调 MeloTTS 模型的学术研究者、语音技术开发者以及后端工程师。无论你是为中文语音合成准备数据，还是为英文多说话人模型构建训练集，都能显著提升数据准备效率，让你更专注于模型调优本身。

使用建议：音频文件命名最好与文本文件保持一致（仅扩展名不同），以便自动匹配；多音色模式下子目录名称应尽量能反映说话人身份；对于长音频或背景噪声较大的录音，建议先人工校对 Whisper 转录结果。另外，首次运行 Whsper 转录时会自动下载模型，请确保网络畅通。