1. 项目概述

fish-speech-1.5是一款开源的语音合成模型，它能够根据5-10秒的样本语音片段和对应文本，生成与样本音色高度相似的语音输出。相比其他语音合成方案，它的优势在于对硬件要求不高，可以在普通消费级显卡上运行，且完全免费开源。我在实际部署过程中发现，虽然官方文档看似简单，但存在多个隐藏的"坑"，特别是版本兼容性和环境配置方面的问题。本文将详细记录我从零开始成功部署fish-speech-1.5的全过程，包括那些官方文档没有提及的关键细节。

2. 环境准备

2.1 硬件与驱动检查

在开始部署前，首先需要确保你的硬件环境满足基本要求。fish-speech-1.5主要依赖NVIDIA GPU进行加速运算，因此需要检查显卡驱动和CUDA版本：

bash复制nvidia-smi  # 查看显卡驱动版本和CUDA版本
nvcc --version  # 查看实际安装的CUDA Toolkit版本

注意：这两个命令显示的CUDA版本可能不同，这是正常现象。nvidia-smi显示的是驱动支持的最高CUDA版本，而nvcc显示的是实际安装的CUDA Toolkit版本。

如果你的驱动较旧，建议更新到最新版本。我在RTX 3060上测试时使用的是驱动版本535.161.07，对应CUDA 12.2，但实际使用的是CUDA 12.1的工具包，运行完全正常。这说明NVIDIA驱动具有良好的向下兼容性。

2.2 Python环境配置

Python版本选择是部署过程中最大的"坑"之一。经过多次尝试，我强烈建议使用Python 3.12.10版本。原因如下：

1. Python 3.13及以上版本会导致部分依赖包无法正常安装
2. Python 3.11及以下版本虽然可以运行，但性能不如3.12稳定
3. 3.12.10是经过社区验证最稳定的版本

建议使用venv创建隔离的Python环境：

bash复制python3.12 -m venv fish-speech-env
source fish-speech-env/bin/activate  # Linux/macOS
fish-speech-env\Scripts\activate  # Windows

3. 代码与模型获取