想让语音模型读阿拉伯文或印度文字，光塞进新文本还不够：原版 XTTS v2 的字符表只覆盖 17 种语言，遇到陌生字符可能直接报错；而 Coqui AI 关闭后，音频分词器和声码器的官方训练代码也没有留下，社区常见工具只能微调中间的 GPT 部分。
开发者 yashubhakt 发布的 Open-XTTS-Trainer，试图把这条断开的训练链重新接起来。它覆盖三个环节：DVAE 音频分词器——把连续声音压成模型便于学习的表示；可扩展字符表的 GPT；以及 Latent HiFi-GAN 声码器——把声学表示还原成可播放语音。工具会扫描新语言语料中的 Unicode 字符，扩充字符表并调整 GPT 的嵌入矩阵，同时提供一键运行的 Colab 示例。
作者称，该项目以 MPL-2.0 开源，并在 NVIDIA T4 上用真实人声验证训练损失能够收敛；其中声码器的 Mel 重建损失在 10 个训练周期内从 190.83 降至 63.49。不过这些结果目前来自作者在 Reddit 的自述，尚不足以说明新增语言的最终语音质量。