WSL-linux部署IndexTTS 记录（含本地 CUDA/cuDNN 编译依赖说明）
一、前置依赖说明
部分关键依赖（如自定义 CUDA 算子、DeepSpeed）需本地安装 CUDA Toolkit、cuDNN 并参与编译，同时借助 Anaconda 管理 Python 环境。以下流程参考博客（在WSL2-Ubuntu中安装Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整环境验证）-CSDN博客 ）优化部署步骤。
二、Anaconda 安装（参考博客流程）
在WSL2-Ubuntu中安装Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整环境验证）-CSDN博客
1. 下载与安装
wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2025.07-Linux-x86_64.shbash /tmp/Anaconda3-2025.07-Linux-x86_64.sh
2. 验证安装
conda --version # 输出版本号则安装成功，如 conda 25.7.0
三、CUDA Toolkit 安装（参考博客流程）
在WSL2-Ubuntu中安装Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整环境验证）-CSDN博客
1. 确认 GPU 驱动支持
nvidia-smi # 查看 GPU 驱动版本，确认支持的 CUDA 最高版本（如驱动支持 CUDA 12.8）
2. 安装 CUDA Toolkit
方式：通过官方仓库安装（以 Ubuntu 24.04 为例）
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-13-03. 配置环境变量
nano ~/.bashrc
在末尾添加以下内容：
export PATH=/usr/local/cuda-13.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-13.0使环境变量生效：
source ~/.bashrc4. 验证 CUDA 安装
nvcc --version # 输出 CUDA 13.0 版本信息则成功
四、cuDNN 安装（参考博客流程）
在WSL2-Ubuntu中安装Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整环境验证）-CSDN博客
1. 快捷安装 cuDNN 文库
官方文档更新未及时，注意修改“cuda-version=”的版本号，如“13”。
conda install nvidia::cudnn cuda-version=13或
conda install nvidia::cudnn=9.12 cuda-version=13
3. 验证 cuDNN 安装
- 查看 conda 已安装包：
conda list | grep cudnn # 输出“cudnn 9.12.0.46 h2b6041c_0 nvidia” - 检查库文件路径（conda 环境内）：
ls $CONDA_PREFIX/lib/libcudnn* # 显示libcudnn.so、libcudnn_static.a等文件
五、IndexTTS 项目部署
index-tts/index-tts：工业级可控高效零样本文本转语音系统
1. 创建并激活 Conda 虚拟环境
conda create -n indextts python=3.10
conda activate indextts # 激活环境，后续操作在此环境内执行
2. 克隆项目代码
https://github.com/index-tts/index-tts
cd index-tts
3. 安装基础依赖
Get Started
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129 # 确保与系统 CUDA 版本兼容
pip install -r requirements.txt
pip install ninja
4. 安装 DeepSpeed（依赖本地 CUDA/cuDNN）
pip install deepspeed # 自动检测系统环境，编译适配加速组件
5. 安装webui
pip install -e ".[webui]"
6. 下载模型
# 设置 HF 国内镜像（加速下载）
export HF_ENDPOINT="https://hf-mirror.com"# 下载 IndexTTS-1.5 模型至 checkpoints 目录
huggingface-cli download IndexTeam/IndexTTS-1.5 \config.yaml bigvgan_discriminator.pth bigvgan_generator.pth bpe.model dvae.pth gpt.pth unigram_12000.vocab \--local-dir checkpoints7. 启动 WebUI（可视化界面）
（1）处理端口冲突（可选）
若默认端口 7860 被占用，修改 webui.py：
# 找到 demo.launch() 行，修改为
demo.launch(server_port=7861) # 替换为未占用端口
（2）启动命令
python webui.py
# 启动后访问终端提示的 URL（如 http://127.0.0.1:7861）
六、关键依赖关联验证
| 组件 | 依赖目的 | 验证命令 / 方式 | 预期结果 | |
|---|---|---|---|---|
| Anaconda | 管理虚拟环境 | conda --version | 输出版本号（如 25.7.0） | |
| CUDA Toolkit | 编译自定义算子、DeepSpeed | nvcc --version | 输出 CUDA 13.0 版本信息 | |
| cuDNN | 加速模型推理（如 BigVGAN） | `cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR` | 输出 #define CUDNN_MAJOR 9 |
| PyTorch | 模型推理框架 | python -c "import torch; print(torch.cuda.is_available())" | 输出 True | |
| DeepSpeed | 优化推理速度 | deepspeed --version | 输出 DeepSpeed 版本（如 0.17.5） |
七、故障排查（参考博客补充）
1. Anaconda 环境未激活
- 现象：
conda命令报错command not found - 解决：重新执行
source ~/.bashrc，或检查~/.bashrc中 Anaconda 环境变量配置。
2. cuDNN 头文件未找到
- 现象：编译自定义算子时报错
fatal error: cudnn.h: No such file or directory - 解决：确认 cuDNN 头文件已拷贝至
/usr/local/cuda/include，重新执行编译命令。
3. DeepSpeed 编译失败
- 现象：
MissingCUDAException: CUDA_HOME does not exist - 解决：检查
CUDA_HOME环境变量，确保指向/usr/local/cuda-1x.x，重新安装 DeepSpeed。
通过结合文章内引用博客的 Anaconda、CUDA、cuDNN 安装流程，可解决 IndexTTS 项目中依赖编译的核心问题，确保工业级语音合成功能完整部署与运行。