Silero-TTS v5：俄语中的疑问句语调

Silero-TTS v5：俄语疑问句语调四大类型现已上线

Silero-TTS v5 俄语版本现已支持精准的疑问句语调生成。模型可处理四类问题：特殊疑问句（含疑问词）、一般疑问句（依赖语调强调）、选择疑问句和尾部疑问句。对于一般疑问句，通过在关键词前加星号（*）标记语调中心——无需额外参数即可显著提升表达力。

更新核心功能：

• 自动识别同音异义词与重音位置。
• 完全支持 SSML 语调控制。
• CPU 上推理速度极快。
• 支持声线：aidar、baya、kseniya、xenia（eugene 正在开发中）。

俄语疑问句语调的语言学基础

在俄语中，疑问句通过语法（词序，较少使用）、词汇（疑问词、助词）和语调（语调模式）三方面标记。一般疑问句完全依赖语调：语调重心可落在任意词语上，从而改变句子含义。

示例：

• Did he COME? — 强调动作本身。
• HE came? — 强调主语。

训练模型需标注问题类型及重音位置。缺乏此类标注的语料库数据不足以支撑有效训练。

一般疑问句合成示例

以下代码可生成不同重音位置的疑问句：

import IPython.display as ipd

texts = [
  '*Organizers* sent us electronic tickets?',
  'Organizers *sent* us electronic tickets?',
  'Organizers sent *us* electronic tickets?',
  'Organizers sent us *electronic* tickets?',
  'Organizers sent us electronic *tickets*?'
]

for i, text in enumerate(texts):
    audio = model.apply_tts(text=text, speaker='xenia')
    ipd.display(ipd.Audio(audio, rate=48000))

音频样本显示，重音词处音高平滑上升，句末自然下降，符合自然口语习惯。

安装与基础用法

通过 pip 安装：

!pip install silero
from silero import silero_tts
model, example_text = silero_tts(language='ru', speaker='v5_4_ru')
audio = model.apply_tts(text=example_text)

通过 torch.hub 完整初始化：

import torch

language = 'ru'
model_id = 'v5_4_ru'
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)
sample_rate = 48000
speaker = 'xenia'
put_accent=True
put_yo=True
put_stress_homo=True
put_yo_homo=True

example_text = 'My name is Leva Korolev. I am ready. And I am ready to open locks of any complexity!'

audio = model.apply_tts(text=example_text,
                        speaker=speaker,
                        sample_rate=sample_rate,
                        put_accent=put_accent,
                        put_yo=put_yo,
                        put_stress_homo=put_stress_homo,
                        put_yo_homo=put_yo_homo)

SSML 示例：实现精细语调与停顿控制

ssml_sample = """
              <speak>
              <p>
                  When I wake up, <prosody rate="x-slow">I speak quite slowly</prosody>.
                  Then I start speaking in my normal voice,
                  <prosody pitch="x-high">and I can speak in a higher tone</prosody>,
                  or <prosody pitch="x-low">conversely, lower</prosody>.
                  Then, if I am lucky, <prosody rate="fast">I can speak quite quickly.</prosody>
                  And I can make pauses of any length, for example, two seconds <break time="2000ms"/>
                  <p>
                    Also I can make pauses between paragraphs.
                  </p>
                  <p>
                    <s>And I can also make pauses between sentences.</s>
                    <s>Here, for example, like now.</s>
                  </p>
              </p>
              </speak>
              """

audio = model.apply_tts(ssml_text=ssml_sample,
                        speaker=speaker,
                        sample_rate=sample_rate)

语调参数与使用建议

• intensity=3：疑问语调强度（默认值，推荐使用）。
• 特殊、选择和尾部疑问句中，重音为可选。
• 一般疑问句必须使用 * 星号精确标记重音位置。

问题类型及其处理方式：

• 特殊疑问句：What? Where? When? — 词汇标记 + 标准语调。
• 一般疑问句：You home? — 语调重音可落在任意词上。
• 选择疑问句：Fish or meat? — 语调聚焦于选项之间。
• 尾部疑问句：No, really? — 尾部使用升调。

关键亮点

• Silero-TTS v5 可在无 GPU 情况下，对任意位置进行语调重音的疑问句合成。
• 一般疑问句仅需简单添加星号即可支持四种问题类型。
• 通过 SSML 实现语调与停顿的精细化调节。
• 支持 pip/torch.hub 安装，采样率固定为 48000 Hz。
• 陈述句重音功能计划在后续版本中推出。

— Editorial Team