Russian Emotional TTS

Russian Emotional TTS

带情感并按标注的重音朗读俄语文字，还能从 3 到 10 秒的音频复制声音。只克隆你有权使用的声音。

由 Andreevai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是一个俄语文字转语音和声音克隆模型，基于 F5-TTS 的设计，使用带流匹配的扩散 transformer。Andreevai 在带有重音标注的、富有表现力的戏剧对白上对它做了微调。整体约有 3.5 亿参数，输出 24,000 Hz 的单声道音频。

适合谁：适合需要富有表现力的俄语语音的创作者和开发者，以及想让每个词重音正确的人。记录里只列了俄语。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 视频和音频创作者 | 带情感朗读俄语脚本 | 一段短视频的旁白
游戏 | 独立开发者 | 给角色配上俄语台词 | 故事角色的台词
教育 | 在线课程团队 | 带着正确的词重音朗读课文 | 在难词上标出重音的一节课

需要俄语以外语言的人可以跳过它，因为模型只在俄语上微调。

用在哪里：

• Python，使用 f5-tts 包
• Google Colab，通过模型卡提供的 notebook，在免费的 T4 GPU 上
• Colab notebook 打开的 Gradio 网页
• Windows、macOS 或 Linux，装有 Python，用来下载文件

使用场景 | 适合谁 | 你会得到什么
俄语旁白 | 创作者 | 一个朗读脚本的 wav 文件
声音匹配 | 开发者 | 带有 3 到 10 秒参考音频音色的语音
重音控制 | 教师 | 按你标注的重音发音的词

如何设置：你需要先准备几样东西。

• Python 和 pip
• 一段干净的 3 到 10 秒参考音频，只能是你有权使用的声音
• 这个仓库里的 model.safetensors 和 vocab.txt 文件

1. 安装 f5-tts 包和另外两个库。
2. 下载仓库文件。
3. 把你的参考音频放在脚本旁边。
4. 运行下面的 Python 代码。

pip install f5-tts soundfile torchaudio

pip install -U huggingface_hub
hf download Andreevai/f5-tts-russian-emotional

如何使用：你给模型一段参考音频、它的文字稿和要朗读的文字。在每个重读元音前加一个加号来控制重音。脚本有 GPU 时会选 GPU，否则退回 CPU。

import torch
import soundfile as sf
from f5_tts.infer.utils_infer import infer_process, load_model, load_vocoder
from f5_tts.model import DiT

device = "cuda" if torch.cuda.is_available() else "cpu"

# Load neural vocoder
vocoder = load_vocoder(vocoder_name="vocos", device=device)

# Load acoustic DiT model
model_cfg = dict(dim=1024, depth=22, heads=16, ff_mult=2, text_dim=512, conv_layers=4)
model = load_model(
    DiT,
    model_cfg,
    "model.safetensors",
    vocab_file="vocab.txt",
    device=device
)

# Zero-shot inference
wave, sr, _ = infer_process(
    ref_audio="reference.wav",
    ref_text="Текст из образца голоса",
    gen_text="Прив+ет! Это русская нейрос+еть для озв+учки.",
    model_obj=model,
    vocoder=vocoder,
    device=device,
    nfe_step=32,
    speed=1.0
)

sf.write("output.wav", wave, sr)

工具 | 作用
load_vocoder | 加载 Vocos 神经声码器
load_model with DiT | 从 model.safetensors 和 vocab.txt 加载声学模型
infer_process | 根据参考音频、它的文字稿和要朗读的文字生成语音
元音前的加号 | 标出重读的元音
sf.write | 把音频保存为 wav 文件

示例：你提供一段短而干净的参考音频和它的文字稿，然后要一句介绍这个工具的俄语问候，在重读元音上加加号。脚本会写出 output.wav，声音就是参考音频里的声音。

新手与专家：文字转语音模型把书面文字朗读出来，声音克隆则复制说话者的音色。如果你是新手，先运行 Colab notebook，上传一段你有权使用的声音的短音频，再输入一句俄语。

模型采用 F5-TTS DiT Base v2 的设计，在超过 14 小时的情感演员对话上微调。它把 3.37 亿参数的扩散 transformer 和 1350 万参数的 24 kHz Vocos 声码器配在一起。权重是纯 safetensors，所以加载时没有 pickle 文件。示例以正常速度运行 32 个推理步骤。

参考音频和它的文字稿输入
带重音标记的文字被编码
扩散 transformer 构建语音
Vocos 声码器把它变成音频
wav 文件写入磁盘

注意事项：

• License: MIT，模型卡称它可免费用于商业和个人用途。
• Cost to run: 没有提到 API 密钥或付费服务。有 GPU 更好，免费的 Colab T4 也可以。
• Data it reaches: 你给它的参考音频和文字，以及它写出的 wav 文件。只使用你有权使用的声音。
• Not for: 俄语以外的语言，或未经许可克隆声音。

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：f5-tts
• 参数量：337M
• Weights: about 1.3 GB in F32; about 169 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：813
• 点赞：5
• 许可证：mit
• 语言：ru
• 标签：f5-tts, safetensors, text-to-speech, speech, flow-matching, audio, russian, voice-cloning

链接

• 模型：https://huggingface.co/Andreevai/f5-tts-russian-emotional
• 文件：https://huggingface.co/Andreevai/f5-tts-russian-emotional/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Andreevai/f5-tts-russian-emotional

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。