Silencio-2

Silencio-2

把英文文本转成 24 kHz 语音，支持情绪和声音标签，还能从一小段参考音频复制音色。这是基于 Kyutai 的 Pocket TTS 微调的小型文本转语音模型。

由 BlueRoseLabs 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：Silencio-2 是 BlueRoseLabs 推出的小型英文文本转语音模型。它以 24 kHz 朗读文本，使用内置音色，或使用从几秒参考音频复制的音色。你可以在文本里用标签来控制，比如叹气或耳语。它是 Kyutai 的 Pocket TTS 的微调版本。

适合谁：适合想要在普通电脑上运行、能表达情绪的英文语音的开发者、游戏制作者和内容创作者。

Industry | Who uses it | How they use it | Example
软件 | 开发者 | 为应用加入本地语音输出 | 朗读状态消息的旁白
游戏 | 游戏制作者 | 让角色带着情绪和声音说话 | 一句用耳语说出的台词
媒体 | 内容创作者 | 起草在合适位置带有叹气和笑声的配音 | 一段带笑声的短片
无障碍 | 工具开发者 | 用小而快的模型朗读文本 | 一个屏幕阅读器原型

如果你需要英语以外的语言，可以跳过它，因为模型卡只列出英语。

用在哪里：

• 装有 Python 的 Windows、macOS 或 Linux
• 导入仓库中 silencio2 包的 Python 程序
• 只有 CPU 的机器，模型卡报告其语音生成快于实时

Use case | Who | What they get back
普通文本转语音 | 开发者 | 使用内置音色之一的 wav 文件
带标签的语音 | 创作者 | 在你写标签的位置出现叹气、笑声和情绪
音色克隆 | 获得许可的创作者 | 使用从一段干净音频中取得的音色的语音
流式输出 | 应用开发者 | 边生成边播放的音频块

如何设置：

• Python，用来运行 Hugging Face 下载工具
• 为一个 112 MB 的权重文件留出空间
• 仓库中的依赖文件，从克隆的仓库安装，或把快照文件夹加入 Python 路径

1. 用 pip 安装 Hugging Face 的 hub 工具。
2. 用 hf 命令下载模型文件。
3. 安装 requirements.txt 里的包。
4. 在 Python 里导入 Silencio2TTS 并加载模型。

pip install -U huggingface_hub
hf download BlueRoseLabs/Silencio-2
pip install -r requirements.txt

如何使用：加载一次模型，然后调用 save 写出 wav 文件。声音标签直接写进文本，情绪标签作用于它之后的文本，音色可以是内置名称，也可以是你自己的一段音频。

from silencio2 import Silencio2TTS

tts = Silencio2TTS.from_pretrained()
tts.save("sigh.wav", "What a long day. [sigh]")
tts.save("mixed.wav", "<whisper> Keep your voice down. <angry> I said stop!")
tts.save("clone.wav", "Hi! This is my voice.", voice="my_clip.wav")

Tool | What it does
save | 把语音写入 wav 文件
generate | 以张量形式返回音频，可用种子复现同一次生成
stream | 边生成边产出音频块
sounds | 笑声、叹气、喘气、咳嗽或清嗓的标签
emotions | 开心、悲伤、愤怒、恐惧、惊讶或耳语的标签

示例：你用默认的内置音色保存这一句“<whisper> Keep your voice down”。模型写出一个 wav 文件，这句话是用耳语说出来的。如果你写了模型不认识的标签，它会报错停止，而不会把它读出来。

新手与专家：先用一句话和一个内置音色开始，再加上叹气之类的标签，听听变化。只用你有权使用的音色的干净音频来尝试音色克隆。

它的内部是一个基于流的语言模型。对每一帧音频，它以文本和音色提示为输入，预测 Mimi 编解码器的潜变量。克隆依赖一个编码器，占用 27.9M 参数中剩下的部分，约 18.2M 负责语音本身。一个多出 11 个词元的分词器负责这些标签。

写下带标签的文本
分词器读取文本和标签
模型预测 Mimi 编解码器潜变量
解码器输出 24 kHz 音频

注意事项：

• License: CC BY 4.0
• Cost to run: 没有提到
• Data it reaches: 从 Hugging Face 下载文件，之后在本地运行，并读取你提供的任何参考音频
• Not for: 英语以外的语言
• Not for: 克隆你无权使用的音色，所以只使用你获得许可的音色

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：pytorch
• 参数量：27.9M
• Weights: about 112 MB in F32; about 14 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：351
• 点赞：22
• 许可证：cc-by-4.0
• 语言：en
• 基于：kyutai/pocket-tts
• 标签：pytorch, safetensors, text-to-speech, voice-cloning, emotional-speech, streaming, on-device

链接

• 模型：https://huggingface.co/BlueRoseLabs/Silencio-2
• 文件：https://huggingface.co/BlueRoseLabs/Silencio-2/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 BlueRoseLabs/Silencio-2

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。