Silero TTS: texto para fala em uma única linha de código, de verdade

O slogan da própria equipe do Silero para este projeto é “modelos pré-treinados de texto para fala feitos de um jeito constrangedoramente simples”, e isso não é exagero: uma única chamada a torch.hub.load entrega uma voz funcional, sem pipeline de treinamento, sem configuração em vários arquivos e sem um vocoder separado para conectar. O Silero TTS se mantém discretamente em desenvolvimento ativo desde 2020, e a combinação de configuração mínima com uma cobertura realmente forte de russo, outras línguas da CEI e vários idiomas índicos faz dele uma opção distinta entre os modelos TTS leves e pré-treinados.

O que é Silero TTS?

Silero TTS é uma coleção de modelos pré-treinados de texto para fala, open source e sob licença MIT, mantida no GitHub em snakers4/silero-models desde seu lançamento inicial, por volta de setembro de 2020. As atualizações continuaram ativas ao longo das versões V3, V4 e da geração V5 atual, lançada em outubro de 2025. Os modelos são end-to-end, rodam tanto em CPU quanto em GPU e dependem de muito pouco além do próprio PyTorch — uma escolha de projeto deliberada que mantém pequenos tanto os arquivos dos modelos quanto a estrutura necessária para implantação.

Vantagens funcionais do Silero TTS

• Uso de verdade em uma única linha, com carregamento direto pelo PyTorch Hub ou pelo pacote pip silero, sem etapas separadas de configuração.
• Dependências mínimas, exigindo apenas PyTorch 1.12+ e a biblioteca padrão do Python para uso autônomo; torchaudio e omegaconf são necessários somente para alguns recursos opcionais específicos.
• Roda em CPU ou GPU de forma intercambiável, com o mesmo caminho de código funcionando nos dois casos mediante uma simples troca do dispositivo de destino.
• Empacotamento portátil e autônomo do modelo por meio do torch.package.PackageImporter do PyTorch, permitindo distribuir um modelo como um único arquivo .pt, sem uma árvore externa de dependências para gerenciar durante a implantação.
• Suporte integrado a SSML nas gerações V3, V4 e V5, oferecendo controle direto por marcação sobre pausas, ênfase e prosódia.
• Cobertura realmente forte de russo, línguas da CEI e idiomas índicos — um nicho linguístico que a maioria dos projetos TTS leves e open source não prioriza.
• Um histórico de cinco anos de atualizações contínuas, consideravelmente mais longo e consistente do que muitos lançamentos TTS open source recentes conseguem apresentar.

Cobertura de idiomas: onde Silero realmente se destaca

Em vez de perseguir a maior quantidade possível de idiomas, Silero desenvolveu uma profundidade especial em uma região específica: o russo é seu idioma principal, acompanhado de ucraniano, cazaque, uzbeque, tártaro, armênio, azerbaijano, bielorrusso, georgiano, quirguiz e tajique. É uma cobertura realmente abrangente das línguas da Comunidade dos Estados Independentes que poucos projetos open source concorrentes tratam com esse nível de atenção. Separadamente, Silero também oferece vários idiomas índicos, incluindo hindi, tâmil e bengali, embora eles normalmente exijam texto de entrada romanizado em vez de aceitar diretamente a escrita nativa. Se o seu projeto precisa de algum desses idiomas específicos, a profundidade do Silero é um diferencial real diante de modelos multilíngues mais amplos, porém menos profundos, criados principalmente em torno de idiomas da Europa Ocidental e do Leste Asiático.

Uma ferramenta dedicada à precisão da pronúncia em russo

Além dos modelos TTS principais, o projeto inclui uma extensão complementar chamada silero-stress, criada especificamente para lidar com dois aspectos notoriamente difíceis do texto em russo: marcação automática de acento tônico e desambiguação de homógrafos (leitura correta de palavras escritas da mesma forma, mas pronunciadas de modo diferente conforme o significado). Ela abrange cerca de 4 milhões de palavras, com uma pontuação F1 informada de 0,85 especificamente na desambiguação de homógrafos, e processa texto em aproximadamente 0,5 milissegundo por palavra em uma única thread de CPU. É rápida o bastante para rodar como uma etapa leve de pré-processamento imediatamente antes da síntese, em vez de uma fase offline separada. Esse é o tipo de engenharia restrita e específica de um idioma que um modelo multilíngue amplo raramente se preocupa em desenvolver, e ela melhora diretamente a naturalidade da saída em russo.

Como começar com Silero TTS

1. Instale pelo pip para seguir o caminho mais simples. pip install silero instala o pacote; os próprios modelos são baixados sob demanda na primeira vez em que você os solicita, pelo pip ou pelo PyTorch Hub, e podem ficar em cache local para evitar novos downloads.
2. Carregue um modelo com uma única chamada a torch.hub.load. O padrão documentado é torch.hub.load(repo_or_dir='snakers4/silero-models', model='silero_tts', language='ru', speaker='v5_ru') — troque language e speaker pelo idioma de destino e pela versão do modelo que você quer.
3. Gere áudio com apply_tts. Depois do carregamento, model.apply_tts(text=your_text, speaker=speaker_name, sample_rate=sample_rate) retorna diretamente o áudio sintetizado; as taxas de amostragem disponíveis são 8000, 24000 e 48000 Hz, conforme suas necessidades de qualidade.
4. Consulte models.yml no repositório para ver a lista atual de vozes e idiomas. Como novas versões e vozes são adicionadas com o tempo, esse arquivo é a fonte oficial e atualizada, em vez de tutoriais antigos que podem citar IDs de modelos descontinuados.
5. Use marcação SSML para controlar ritmo e ênfase. V3, V4 e V5 oferecem suporte direto no texto de entrada; os exemplos do projeto no Colab são a maneira mais rápida de ver a sintaxe específica das tags em ação antes de escrever as suas.
6. Empacote um modelo como arquivo .pt autônomo para ambientes de implantação limitados. Com torch.package.PackageImporter, você pode agrupar um modelo para que ele precise apenas do PyTorch e da biblioteca padrão em tempo de execução, sem levar toda a árvore de dependências do repositório para produção.

Dicas para obter melhores resultados

• Use a extensão silero-stress especificamente para conteúdo em russo. Como a posição do acento e a ambiguidade dos homógrafos afetam muito a naturalidade da pronúncia em russo, executar essa etapa leve de pré-processamento antes da síntese compensa a latência adicional mínima.
• Verifique se o idioma de destino exige entrada romanizada. Especialmente nos idiomas índicos oferecidos, confirme o formato de entrada esperado antes de presumir que o texto na escrita nativa funcionará diretamente.
• Escolha a taxa de amostragem com base no destino real da saída. 8000 Hz são suficientes para situações de largura de banda limitada ou sistemas embarcados, enquanto 48000 Hz são uma escolha melhor quando a saída alimenta um pipeline de áudio de produção no qual a qualidade será analisada de perto.
• Não espere clonagem de voz. Silero trabalha com uma lista fixa de vozes pré-treinadas por idioma, em vez de clonagem zero-shot a partir de um clipe de referência; se o objetivo é reproduzir uma voz real específica, um modelo dedicado à clonagem é a ferramenta certa.
• Volte a consultar models.yml periodicamente se você usa uma integração antiga. Considerando o ritmo ativo de atualizações do projeto até V5, idiomas ou vozes adicionados mais recentemente podem não aparecer em documentação ou tutoriais escritos para versões anteriores.

Silero TTS versus outros modelos leves e pré-treinados

O nicho específico do Silero é a profundidade real em uma região linguística — a Rússia e o espaço mais amplo da CEI — que a maioria dos outros projetos TTS leves e open source trata, no máximo, como um acréscimo secundário, combinada com um processo de configuração que dificilmente poderia ser mais simples do que uma única chamada de função.

Perguntas frequentes

Silero TTS pode mesmo ser usado em uma única linha de código?

Sim: uma única chamada a torch.hub.load (ou o equivalente from silero import silero_tts pelo pip) carrega um modelo funcional, sem exigir um pipeline de treinamento separado ou uma configuração em várias etapas.

Quais idiomas Silero TTS oferece melhor?

O principal foco é o russo, junto com uma ampla cobertura de outras línguas da CEI — ucraniano, cazaque, uzbeque, tártaro, armênio, azerbaijano, bielorrusso, georgiano, quirguiz e tajique — além de vários idiomas índicos, incluindo hindi, tâmil e bengali, que normalmente exigem entrada romanizada.

Silero TTS oferece clonagem de voz?

Não. Ele trabalha com um conjunto fixo de vozes pré-treinadas por idioma e versão, em vez de realizar clonagem zero-shot a partir de um clipe de áudio de referência.

Silero TTS é gratuito para uso comercial?

Sim. Ele é disponibilizado sob a licença MIT, que permite uso comercial sem royalties ou contratos de licença separados.

O que é silero-stress e eu preciso dele?

É uma ferramenta complementar específica para texto em russo que cuida da marcação automática do acento tônico e da desambiguação de homógrafos antes da síntese. Ela é opcional, mas recomendada se a precisão da pronúncia de conteúdo em russo for importante para o seu projeto, já que a posição do acento em russo afeta significativamente a naturalidade da saída.

Transforme texto em voz com a Echora

Para um fluxo no navegador com um objetivo semelhante, use o Texto para fala da Echora. Insira até 5.000 caracteres, escolha uma voz integrada ou uma voz personalizada salva, adicione tags de interpretação compatíveis quando necessário e ajuste a estabilidade. Depois, você pode ouvir o resultado e baixar o MP3 final.

Criar voz a partir de texto →