• Silero Models
  • Installation and Basics
  • Text-To-Speech
    • Models and Speakers
      • V5
      • V4
      • V3
    • Dependencies
    • PyTorch
    • Standalone Use
    • SSML
    • Cyrillic languages v4
    • Indic languages v4
      • Example
      • Supported languages
  • Contact
  • Citations
  • Further reading
    • English
    • Chinese
    • Russian

Our TTS models satisfy the following criteria:

• Fully end-to-end;
• Large library of voices;
• Natural-sounding speech;
• One-line usage, minimal, portable;
• Impressively fast on CPU and GPU;
• For the Russian language - automated stress and homographs;

You can basically use our models in 3 flavours:

• Via PyTorch Hub: torch.hub.load();
• Via pip: pip install silero and then from silero import silero_tts;
• Via caching the required models and utils manually and modifying if necessary;

Models are downloaded on demand both by pip and PyTorch Hub. If you need caching, do it manually or via invoking a necessary model once (it will be downloaded to a cache folder). Please see these docs for more information.

PyTorch Hub and pip package are based on the same code. All of the torch.hub.load examples can be used with the pip package via this basic change:

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

All of the provided models are listed in the models.yml file. Any metadata and newer versions will be added there.

V5 models support SSML. Also see Colab examples for main SSML tag usage.

Russian-only models support automated stress and homographs.

ID	Speakers	Auto-stress / Homographs	Language	SR	Colab
v5_ru	aidar, baya, kseniya, xenia, eugene	yes / yes	ru (Russian)	8000, 24000, 48000

V4 models support SSML. Also see Colab examples for main SSML tag usage.

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

ID	Speakers	Auto-stress	Language	SR	Colab
v4_ru	aidar, baya, kseniya, xenia, eugene, random	yes	ru (Russian)	8000, 24000, 48000
v4_cyrillic	b_ava, marat_tt, kalmyk_erdni...	no	cyrillic (Avar, Tatar, Kalmyk, ...)	8000, 24000, 48000
v4_ua	mykyta, random	no	ua (Ukrainian)	8000, 24000, 48000
v4_uz	dilnavoz	no	uz (Uzbek)	8000, 24000, 48000
v4_indic	hindi_male, hindi_female, ..., random	no	indic (Hindi, Telugu, ...)	8000, 24000, 48000

V3 models support SSML. Also see Colab examples for main SSML tag usage.

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

ID	Speakers	Auto-stress	Language	SR	Colab
v3_en	en_0, en_1, ..., en_117, random	no	en (English)	8000, 24000, 48000
v3_en_indic	tamil_female, ..., assamese_male, random	no	en (English)	8000, 24000, 48000
v3_de	eva_k, ..., karlsson, random	no	de (German)	8000, 24000, 48000
v3_es	es_0, es_1, es_2, random	no	es (Spanish)	8000, 24000, 48000
v3_fr	fr_0, ..., fr_5, random	no	fr (French)	8000, 24000, 48000
v3_indic	hindi_male, hindi_female, ..., random	no	indic (Hindi, Telugu, ...)	8000, 24000, 48000

Basic dependencies for Colab examples:

• torch, 1.10+ for v3 models/ 2.0+ for v4 and v5 models;
• torchaudio, latest version bound to PyTorch should work (required only because models are hosted together with STT, not required for work);
• omegaconf, latest (can be removed as well, if you do not load all of the configs);

# 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)

• Standalone usage only requires PyTorch 1.12+ and the Python Standard Library;
• Please see the detailed examples in Colab;

# 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)

Check out our TTS Wiki page.

To be superseded with v5 model(s) soon.

Supported tokenset: !,-.:?iµöабвгдежзийклмнопрстуфхцчшщъыьэюяёђѓєіјњћќўѳғҕҗҙқҡңҥҫүұҳҷһӏӑӓӕӗәӝӟӥӧөӱӳӵӹ

(!!!) All input sentences should be romanized to ISO format using aksharamukha. An example for hindi:

# 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')

Try our models, create an issue, join our chat, email us, and read the latest news.

@misc{Silero Models,
  author = {Silero Team},
  title = {Silero Models: pre-trained enterprise-grade STT / TTS models and benchmarks},
  year = {2021},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/snakers4/silero-models}},
  commit = {insert_some_commit_here},
  email = {hello@silero.ai}
}

• STT:

  • 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:

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

• Text Enhancement:

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

• 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

• STT

  • OpenAI решили распознавание речи! Разбираемся так ли это … - link
  • Наши сервисы для бесплатного распознавания речи стали лучше и удобнее - link
  • Telegram-бот Silero бесплатно переводит речь в текст - link
  • Бесплатное распознавание речи для всех желающих - link
  • Последние обновления моделей распознавания речи из Silero Models - link
  • Сжимаем трансформеры: простые, универсальные и прикладные способы cделать их компактными и быстрыми - link
  • Ультимативное сравнение систем распознавания речи: Ashmanov, Google, Sber, Silero, Tinkoff, Yandex - link
  • Мы опубликовали современные STT модели сравнимые по качеству с Google - link
  • Понижаем барьеры на вход в распознавание речи - link
  • Огромный открытый датасет русской речи версия 1.0 - link
  • Насколько Быстрой Можно Сделать Систему STT? - link
  • Наша система Speech-To-Text - link
  • Speech-To-Text - link

• TTS:

  • Делаем быстрый, качественный и доступный синтез на языках России — нужно ваше участие - link
  • Мы решили задачу омографов и ударений в русском языке - link
  • Теперь наш синтез также доступен в виде бота в Телеграме - link
  • Может ли синтез речи обмануть систему биометрической идентификации? - link
  • Теперь наш синтез на 20 языках - link
  • Теперь наш публичный синтез в супер-высоком качестве, в 10 раз быстрее и без детских болячек - link
  • Синтезируем голос бабушки, дедушки и Ленина + новости нашего публичного синтеза - link
  • Мы сделали наш публичный синтез речи еще лучше - link
  • Мы Опубликовали Качественный, Простой, Доступный и Быстрый Синтез Речи - link

• VAD:

  • Новый релиз публичного детектора голоса Silero VAD v6 - link
  • Наш публичный детектор голоса стал лучше - link
  • А ты используешь VAD? Что это такое и зачем он нужен - link
  • Модели для Детекции Речи, Чисел и Распознавания Языков - link
  • Мы опубликовали современный Voice Activity Detector и не только -link

• Text Enhancement:

  • Восстановление знаков пунктуации и заглавных букв — теперь и на длинных текстах - link
  • Мы опубликовали модель, расставляющую знаки препинания и заглавные буквы в тексте на четырех языках - link