• Silero 模型
  • 安装与基础
  • 文本转语音
    • 模型与说话人
      • V5
      • V5 CIS 基础模型
      • V5 CIS 扩展模型
      • V4
      • V3
    • 依赖项
    • PyTorch Hub
    • 独立使用
    • SSML
    • 西里尔语 v4
    • 印地语系语言 v4
      • 示例
      • 支持的语言
  • 联系方式
  • 许可
  • 引用
  • 进一步阅读
    • 英文
    • 中文
    • 俄文

Silero 模型

我们的 TTS（文本转语音）模型满足以下标准：

• 完全端到端；
• 丰富的声音库；
• 听起来自然的语音；
• 一行代码即可使用，简洁且便携；
• 在 CPU 和 GPU 上速度惊人；
• 针对俄语 - 自动重音和同形异义词处理；

安装与基础

您基本上可以通过以下 3 种方式使用我们的模型：

• 通过 PyTorch Hub：torch.hub.load()；
• 通过 pip：pip install silero 然后 from silero import silero_tts；
• 通过手动缓存所需的模型和工具，并在必要时进行修改；

通过 pip 和 PyTorch Hub 按需下载模型。如果您需要缓存，请手动操作或调用一次必要的模型（它将被下载到缓存文件夹）。有关更多信息，请参阅这些 文档。

PyTorch Hub 和 pip 包基于相同的代码。所有的 torch.hub.load 示例都可以通过以下基本更改与 pip 包一起使用：

from silero import silero_tts
model, example_text = silero_tts(language='ru',
                                 speaker='v5_ru')
audio = model.apply_tts(text=example_text)

文本转语音

模型与说话人

所有提供的模型均列在 models.yml 文件中。任何元数据和新版本都将添加在那里。

V5

V5 模型支持 SSML（可扩展超文本标记语言）。另请参阅 Colab 示例以了解主要 SSML 标签的用法。

仅俄语模型支持自动重音和同形异义词处理。v5_2_ru 包含 minor fixes 并移除了 numpy 和 scipy 依赖。

v5_3_ru 包含 minor fixes。v5_4_ru 还支持疑问句。

ID	说话人	自动重音 / 同形异义词 / 疑问句	语言	采样率	Colab
v5_4_ru	aidar, baya, kseniya, xenia	✅ / ✅ / ✅	ru (俄语)	8000, 24000, 48000
v5_3_ru	aidar, baya, kseniya, xenia, eugene	✅ / ✅ / ❌	ru (俄语)	8000, 24000, 48000
v5_2_ru	aidar, baya, kseniya, xenia, eugene	✅ / ✅ / ❌	ru (俄语)	8000, 24000, 48000
v5_ru	aidar, baya, kseniya, xenia, eugene	✅ / ✅ / ❌	ru (俄语)	8000, 24000, 48000

V5 CIS 基础模型

• 以下所有模型均支持 8000, 24000, 48000 采样率，且不包含自动重音或同形异义词处理；
• v5_cis_base 模型假设所有语言都需要为每个单词添加正确的重音，例如 к+ошка；
• v5_cis_base_nostress 模型假设仅斯拉夫语言（即 ru, bel, ukr）需要为每个单词添加正确的重音；
• 以下所有模型均在 MIT 许可 下发布；
• V5 UTMOS 和吞吐量 指标；
• V5 模型支持 SSML。另请参阅 Colab 示例以了解主要 SSML 标签的用法；
• 使用 指南 进行模型使用；
• 最低系统要求：兼容 PyTorch 的系统，具有 AVX2 指令集的现代处理器用于 x86/64 平台。

ID	说话人	语言	Colab
v5_cis_base, v5_cis_base_nostress	aze_gamat	aze (阿塞拜疆语)
v5_cis_base, v5_cis_base_nostress	hye_zara	hye (亚美尼亚语)
v5_cis_base, v5_cis_base_nostress	bak_aigul, bak_alfia, bak_alfia2	bak (巴什基尔语)
v5_cis_base, v5_cis_base_nostress	bak_miyau, bak_ramilia	bak (巴什基尔语)
v5_cis_base, v5_cis_base_nostress	bel_anatoliy, bel_dmitriy, bel_larisa	bel (白俄罗斯语)
v5_cis_base, v5_cis_base_nostress	kat_vika	kat (格鲁吉亚语)
v5_cis_base, v5_cis_base_nostress	kbd_eduard	kbd (卡巴尔达 - 切尔克斯语)
v5_cis_base, v5_cis_base_nostress	kaz_zhadyra, kaz_zhazira	kaz (哈萨克语)
v5_cis_base, v5_cis_base_nostress	xal_kejilgan, xal_kermen	xal (卡尔梅克语)
v5_cis_base, v5_cis_base_nostress	kir_nurgul	kir (吉尔吉斯语)
v5_cis_base, v5_cis_base_nostress	mdf_oksana	mdf (莫克沙语)
v5_cis_base, v5_cis_base_nostress	上述所有说话人，但带有 ru_ 前缀	ru (俄语)
v5_cis_base, v5_cis_base_nostress	tgk_onaoy, tgk_safarhuja	tgk (塔吉克语)
v5_cis_base, v5_cis_base_nostress	tat_albina, tat_marat	tat (鞑靼语)
v5_cis_base, v5_cis_base_nostress	udm_bogdan	udm (乌德穆尔特语)
v5_cis_base, v5_cis_base_nostress	uzb_saida	uzb (乌兹别克语)
v5_cis_base, v5_cis_base_nostress	ukr_igor, ukr_roman	ukr (乌克兰语)
v5_cis_base, v5_cis_base_nostress	kjh_karina, kjh_sibday	kjh (哈卡斯语)
v5_cis_base, v5_cis_base_nostress	chv_ekaterina	chv (楚瓦什语)
v5_cis_base, v5_cis_base_nostress	erz_alexandr	erz (埃尔齐亚语)
v5_cis_base, v5_cis_base_nostress	sah_zinaida	sah (雅库特语)

支持的字母表

请注意，格鲁吉亚语和亚美尼亚语实际上是通过在包内部直接转换为西里尔字母表来支持的。阿塞拜疆语和乌兹别克语支持两种字母表（西里尔字母和拉丁字母）。

ID	名称	字母表
aze	aze (阿塞拜疆语)	abcçdeәfgğhxıijkqlmnoöprsştuüvyz
aze	aze (阿塞拜疆语)	абвгғдеәжзиыјкҝлмноөпрстуүфхһчҹш
hye	hye (亚美尼亚语)	աբգդեզէըթժիլխծկհձղճմյնշոչպջռսվտրցւփքօֆև
bak	bak (巴什基尔语)	абвгдежзийклмнопрстуфхцчшщъыьэюяёғҙҡңҫүһәө
bel	bel (白俄罗斯语)	абвгдежзйклмнопрстуфхцчшыьэюяёіў
kat	kat (格鲁吉亚语)	აბგდევზთიკლმნოპჟრსტუფქღყშჩცძწჭხჯჰ
kbd	kbd (卡巴尔达 - 切尔克斯语)	абвгдежзийклмнопрстуфхцчшщъыьэюяёӏ
kaz	kaz (哈萨克语)	абвгдежзийклмнопрстуфхцчшщыьэюяіғқңүұһәө
xal	xal (卡尔梅克语)	абвгдежзийклмнопрстуфхцчшщъыьэюяҗңүһәө
kir	kir (吉尔吉斯语)	абвгдежзийклмнопрстуфхцчшыьэюяёңүө
mdf	mdf (莫克沙语)	абвгдежзийклмнопрстуфхцчшщъыьэюяё
ru	ru (俄语)	абвгдеёжзийклмнопрстуфхцчшщъыьэюя
tgk	tgk (塔吉克语)	абвгдежзийклмнопрстуфхцчшъэюяёғқҳҷӣӯ
tat	tat (鞑靼语)	абвгдежзийклмнопрстуфхцчшъыьэюяҗңүһәө
udm	udm (乌德穆尔特语)	абвгдежзийклмнопрстуфхцчшщъыьэюяёӝӟӥӧӵ
uzb	uzb (乌兹别克语)	абвгдежзийклмнопрстуфхцчшъьэюяёўғқҳ
uzb	uzb (乌兹别克语)	abcdefghijklmnopqrstuvxyz
ukr	ukr (乌克兰语)	абвгґдеєжзиіїйклмнопрстуфхцчшщьюя
kjh	kjh (哈卡斯语)	абвгдежзийклмнопрстуфхцчшщъыьэюяёіғңҷӧӱ
chv	chv (楚瓦什语)	абвгдежзийклмнопрстуфхцчшщъыьэюяёҫӑӗӳ
erz	erz (埃尔齐亚语)	абвгдежзийклмнопрстуфхцчшщъыьэюяё
sah	sah (雅库特语)	абвгдежзийклмнопрстуфхцчшщъыьэюяёҕҥүһө

V5 CIS Ext 模型

• 以下所有模型均支持 8000、24000、48000 采样率，且不包含自动重音或同形异义词处理；
• v5_cis_ext 模型假设所有语言的每个单词都应添加正确的重音，例如 к+ошка；
• v5_cis_ext_nostress 即将推出；
• 以下所有模型均基于 CC-NC-BY 许可证发布；
• V5 模型支持 SSML（语音合成标记语言）。另请参阅 Colab 示例以了解主要 SSML 标签的用法。

ID	说话人	语言	Colab
v5_cis_ext	kaz_abai, kaz_aidana, kaz_aisha, kaz_bakir, kaz_danara	kaz (哈萨克语)
v5_cis_ext	xal_delghir, xal_erdni	xal (卡尔梅克语)
v5_cis_ext	tat_adiba, tat_alsou, tat_amir, tat_azat, tat_batir	tat (鞑靼语)
v5_cis_ext	tat_bulat, tat_damir, tat_guzel, tat_ildar, tat_ilgiz	tat (鞑靼语)
v5_cis_ext	tat_karim, tat_mansur, tat_murat, tat_rasima, tat_rustem	tat (鞑靼语)
v5_cis_ext	tat_timur, tat_zifa, tat_zufar, tat_zulfiya	tat (鞑靼语)
v5_cis_ext	uzb_anora, uzb_dilnavoz	uzb (乌兹别克语)
v5_cis_ext	ukr_kateryna, ukr_lada, ukr_mykyta, ukr_oleksa, ukr_tetiana	ukr (乌克兰语)
v5_cis_ext	chv_aihwa, chv_alima	chv (楚瓦什语)

V4

V4 模型支持 SSML。另请参阅 Colab 示例以了解主要 SSML 标签的用法。

V4 模型：v4_ru, v4_cyrillic, v4_ua, v4_uz, v4_indic

ID	说话人	自动重音	语言	采样率 (SR)	Colab
v4_ru	aidar, baya, kseniya, xenia, eugene, random	是	ru (俄语)	8000, 24000, 48000
v4_cyrillic	b_ava, marat_tt, kalmyk_erdni...	否	cyrillic (阿瓦尔语，鞑靼语，卡尔梅克语，...)	8000, 24000, 48000
v4_ua	mykyta, random	否	ua (乌克兰语)	8000, 24000, 48000
v4_uz	dilnavoz	否	uz (乌兹别克语)	8000, 24000, 48000
v4_indic	hindi_male, hindi_female, ..., random	否	indic (印地语，泰卢固语，...)	8000, 24000, 48000

V3

V3 模型支持 SSML (语音合成标记语言)。此外，请查看 Colab 示例以了解主要 SSML 标签的用法。

V3 模型：v3_en, v3_en_indic, v3_de, v3_es, v3_fr, v3_indic

ID	说话人	自动重音	语言	采样率 (SR)	Colab
v3_en	en_0, en_1, ..., en_117, random	否	en (英语)	8000, 24000, 48000
v3_en_indic	tamil_female, ..., assamese_male, random	否	en (英语)	8000, 24000, 48000
v3_de	eva_k, ..., karlsson, random	否	de (德语)	8000, 24000, 48000
v3_es	es_0, es_1, es_2, random	否	es (西班牙语)	8000, 24000, 48000
v3_fr	fr_0, ..., fr_5, random	否	fr (法语)	8000, 24000, 48000
v3_indic	hindi_male, hindi_female, ..., random	否	indic (印地语，泰卢固语，...)	8000, 24000, 48000

依赖项

Colab 示例的基本依赖项：

• torch，v3 模型需要 1.10+ / v4 和 v5 模型需要 2.0+；
• torchaudio，绑定到 PyTorch 的最新版本即可（仅因为模型与 STT (语音识别) 托管在一起而需要，实际工作不需要）；
• omegaconf，最新版本（如果不加载所有配置，也可以移除）；

PyTorch

# V5
import torch

language = 'ru'
model_id = 'v5_ru'
sample_rate = 48000
speaker = 'xenia'
device = torch.device('cpu')

model, example_text = torch.hub.load(repo_or_dir='snakers4/silero-models',
                                     model='silero_tts',
                                     language=language,
                                     speaker=model_id)
model.to(device)  # gpu or cpu

audio = model.apply_tts(text=example_text,
                        speaker=speaker,
                        sample_rate=sample_rate)

独立使用

• 独立使用仅需 PyTorch 1.12+ 和 Python 标准库；
• 请参阅 Colab 中的详细示例；

# V5
import os
import torch

device = torch.device('cpu')
torch.set_num_threads(4)
local_file = 'model.pt'

if not os.path.isfile(local_file):
    torch.hub.download_url_to_file('https://models.silero.ai/models/tts/ru/v5_ru.pt',
                                   local_file)  

model = torch.package.PackageImporter(local_file).load_pickle("tts_models", "model")
model.to(device)

example_text = 'Меня зовут Лева Королев. Я из готов. И я уже готов открыть все ваши замки любой сложности!'
sample_rate = 48000
speaker='baya'

audio_paths = model.save_wav(text=example_text,
                             speaker=speaker,
                             sample_rate=sample_rate)

SSML

请查看我们的 TTS (Text-to-Speech，文本转语音) Wiki 页面。

西里尔语言 v4

即将被 v5 模型取代。

支持的词元集： !,-.:?iµöабвгдежзийклмнопрстуфхцчшщъыьэюяёђѓєіјњћќўѳғҕҗҙқҡңҥҫүұҳҷһӏӑӓӕӗәӝӟӥӧөӱӳӵӹ

Speaker_ID	Language	Gender
b_ava	Avar	F
b_bashkir	Bashkir	M
b_bulb	Bulgarian	M
b_bulc	Bulgarian	M
b_che	Chechen	M
b_cv	Chuvash	M
cv_ekaterina	Chuvash	F
b_myv	Erzya	M
b_kalmyk	Kalmyk	M
b_krc	Karachay-Balkar	M
kz_M1	Kazakh	M
kz_M2	Kazakh	M
kz_F3	Kazakh	F
kz_F1	Kazakh	F
kz_F2	Kazakh	F
b_kjh	Khakas	F
b_kpv	Komi-Ziryan	M
b_lez	Lezghian	M
b_mhr	Mari	F
b_mrj	Mari High	M
b_nog	Nogai	F
b_oss	Ossetic	M
b_ru	Russian	M
b_tat	Tatar	M
marat_tt	Tatar	M
b_tyv	Tuvinian	M
b_udm	Udmurt	M
b_uzb	Uzbek	M
b_sah	Yakut	M
kalmyk_erdni	Kalmyk	M
kalmyk_delghir	Kalmyk	F

印度语言 v4

示例

(!!!) 所有输入句子都应使用 aksharamukha 罗马化为 ISO 格式。以 hindi 为例：

# V3
import torch
from aksharamukha import transliterate

# Loading model
model, example_text = torch.hub.load(repo_or_dir='snakers4/silero-models',
                                     model='silero_tts',
                                     language='indic',
                                     speaker='v4_indic')

orig_text = "प्रसिद्द कबीर अध्येता, पुरुषोत्तम अग्रवाल का यह शोध आलेख, उस रामानंद की खोज करता है"
roman_text = transliterate.process('Devanagari', 'ISO', orig_text)
print(roman_text)

audio = model.apply_tts(roman_text,
                        speaker='hindi_male')

支持的语言

Language	Speakers	Romanization function
hindi	hindi_female, hindi_male	transliterate.process('Devanagari', 'ISO', orig_text)
malayalam	malayalam_female, malayalam_male	transliterate.process('Malayalam', 'ISO', orig_text)
manipuri	manipuri_female	transliterate.process('Bengali', 'ISO', orig_text)
bengali	bengali_female, bengali_male	transliterate.process('Bengali', 'ISO', orig_text)
rajasthani	rajasthani_female, rajasthani_female	transliterate.process('Devanagari', 'ISO', orig_text)
tamil	tamil_female, tamil_male	transliterate.process('Tamil', 'ISO', orig_text, pre_options=['TamilTranscribe'])
telugu	telugu_female, telugu_male	transliterate.process('Telugu', 'ISO', orig_text)
gujarati	gujarati_female, gujarati_male	transliterate.process('Gujarati', 'ISO', orig_text)
kannada	kannada_female, kannada_male	transliterate.process('Kannada', 'ISO', orig_text)

联系方式

尝试使用我们的模型，创建一个 issue，加入我们的 chat，email 联系我们，并阅读最新的 news。

许可证

除 base cis-tts 模型（采用 MIT 许可）外，所有模型均根据主仓库许可证发布（即 CC-NC-BY）。

引用

@misc{Silero Models,
  author = {Silero Team},
  title = {Silero Models: pre-trained text-to-speech models made embarrassingly simple},
  year = {2025},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/snakers4/silero-models}},
  commit = {insert_some_commit_here},
  email = {hello@silero.ai}
}

延伸阅读

英文

• STT (Speech-To-Text，语音转文本):

  • Towards an Imagenet Moment For Speech-To-Text - link
  • A Speech-To-Text Practitioners Criticisms of Industry and Academia - link
  • Modern Google-level STT Models Released - link

• TTS:

  • Multilingual Text-to-Speech Models for Indic Languages - link
  • Our new public speech synthesis in super-high quality, 10x faster and more stable - link
  • High-Quality Text-to-Speech Made Accessible, Simple and Fast - link

• VAD (Voice Activity Detector，语音活动检测):

  • One Voice Detector to Rule Them All - link
  • Modern Portable Voice Activity Detector Released - link

• 文本增强:

  • We have published a model for text repunctuation and recapitalization for four languages - link

中文

• STT:
  • 迈向语音识别领域的 ImageNet 时刻 - link
  • 语音领域学术界和工业界的七宗罪 - link

俄语

• STT (Speech-To-Text，语音转文本):

  • OpenAI 解决了语音识别问题！我们来分析一下是否真的如此 … - link
  • 我们的免费语音识别服务变得更优质、更便捷了 - link
  • Telegram 机器人 Silero 免费将语音转换为文本 - link
  • 面向所有希望者的免费语音识别 - link
  • Silero Models 中最新的语音识别模型更新 - link
  • 压缩 Transformer（一种深度学习模型）：使其紧凑快速的简单、通用及实用方法 - link
  • 语音识别系统的终极对比：Ashmanov, Google, Sber, Silero, Tinkoff, Yandex - link
  • 我们发布了质量可与 Google 相媲美的现代 STT 模型 - link
  • 降低语音识别的入门门槛 - link
  • 巨大的俄语语音开源数据集 1.0 版 - link
  • STT 系统能有多快？ - link
  • 我们的 Speech-To-Text（语音转文本）系统 - link
  • Speech-To-Text（语音转文本） - link

• TTS (Text-To-Speech，文本转语音):

  • 我们正在为俄罗斯语言制作快速、高质量且易用的合成语音——需要您的参与 - link
  • 我们解决了俄语中的同形异义词和重音问题 - link
  • 现在我们的合成语音也可以通过 Telegram 机器人获取 - link
  • 语音合成能否欺骗生物识别系统？ - link
  • 现在我们的合成支持 20 种语言 - link
  • 现在我们的公开合成具有超高质量，速度快 10 倍，且没有早期版本的缺陷 - link
  • 合成奶奶、爷爷和列宁的声音 + 我们公开合成的新闻 - link
  • 我们将公开语音合成做得更好了 - link
  • 我们发布了高质量、简单、易用且快速的语音合成 - link

• VAD (Voice Activity Detection，语音活动检测):

  • 公开语音检测器 Silero VAD v6 新版本发布 - link
  • 我们的公开语音检测器变得更好了 - link
  • 你使用 VAD 吗？它是什么以及为什么需要它 - link
  • 用于语音检测、数字检测和语言识别的模型 - link
  • 我们发布了现代的 Voice Activity Detector（语音活动检测器）以及其他内容 -link

• 文本增强:

  • 恢复标点符号和大写字母——现在也适用于长文本 - link
  • 我们发布了一种模型，可在四种语言的文本中添加标点和大写 - link

Silero Models 快速上手指南

1. 环境准备

• 系统要求: 支持 PyTorch 的操作系统。
• 硬件建议: 现代处理器（x86/64 平台需支持 AVX2 指令集以获得最佳性能），支持 CPU 和 GPU 推理。
• 前置依赖: Python 环境，PyTorch。

2. 安装步骤

提供两种使用方式，推荐使用 pip 包管理：

• 方式一：通过 pip 安装

  pip install silero
  

• 方式二：PyTorch Hub (无需安装) 直接使用 torch.hub.load() 加载模型，模型会在首次使用时自动下载。

3. 基本使用

以下示例展示了如何使用 pip 安装的包进行文本转语音 (TTS) 生成。

from silero import silero_tts
model, example_text = silero_tts(language='ru',
                                 speaker='v5_ru')
audio = model.apply_tts(text=example_text)

说明：

• 支持多种语言，包括俄语、乌克兰语、哈萨克语等 CIS 地区语言及英语。
• 模型文件会在首次调用时自动下载至缓存文件夹。
• 详细模型列表及更多示例可参考官方文档。