VoiceTut-TTS

VoiceTut-TTS

支持阿拉伯语和英语混说的埃及阿拉伯语文字转语音，含 19 种内置声音、声音克隆和长文本流式输出。适合开发者和创作者，只能使用你有权使用的声音。

由 mohammedaly22 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：VoiceTut-TTS 是一个埃及阿拉伯语的文字转语音模型，由 OmniVoice 模型微调而来。它能说自然的埃及阿拉伯语，并且能在同一句话里在阿拉伯语和英语之间切换。它自带 19 种内置声音，可以根据一段简短的参考音频克隆声音，并且能逐句流式输出长文本。

适合谁：适合需要埃及阿拉伯语语音，包括职场对话这类阿拉伯语和英语混用文本的开发者和创作者。

Industry | Who uses it | How they use it | Example
媒体 | 视频和播客创作者 | 用埃及阿拉伯语做旁白 | 为一段简短的讲解视频配音
软件 | 应用开发者 | 给应用加入语音回复 | 用埃及阿拉伯语朗读聊天回答
客户服务 | 语音机器人开发者 | 说出阿拉伯语和英语混合的短语 | 说出包含英语单词的会议时间
无障碍 | 工具开发者 | 边写边朗读长文本 | 把一篇长文章分块流式输出

如果你需要其他阿拉伯语方言，可以跳过，因为这个模型是针对埃及阿拉伯语而不是标准阿拉伯语调优的。

用在哪里：它是在 Windows、macOS 或 Linux 上运行的 Python 库，最好有 GPU。模型卡在 Google Colab 的 NVIDIA T4 上做了测试。

• 导入 voicetut_tts 的 Python 脚本
• CUDA GPU，与模型卡的测试一致
• Hugging Face 上的托管演示 Space，可以先听听效果

Use case | Who | What they get back
内置声音朗读 | 开发者 | 19 种声音之一的 WAV 文件
声音克隆 | 创作者 | 用一段简短参考音频中的声音说出的语音
流式输出长文本 | 应用开发者 | 逐句输出的音频

如何设置：你需要 Python、适配你 CUDA 版本的 PyTorch、OmniVoice 骨干模型，以及 voicetut-tts 包。模型卡说 OmniVoice 骨干模型不在 PyPI 上，所以要从它的源码仓库安装。请只克隆你有权使用的声音。

• Python
• 与你的 CUDA 版本匹配的 PyTorch
• OmniVoice 骨干模型，从它的源码仓库安装
• 约 2.5 GB 磁盘空间，用于 F32 权重

1. 为你的 CUDA 版本安装 PyTorch。
2. 从源码仓库安装 OmniVoice 骨干模型。
3. 用 pip 安装 voicetut-tts 包。

pip install voicetut-tts

如何使用：用预训练模型名创建模型，然后调用 synthesize，传入文本以及内置说话人或参考音频。要流式输出长文本，调用 stream，或者用 synthesize_long 写成单个文件。

from voicetut_tts import VoiceTutTTS

tts = VoiceTutTTS.from_pretrained("mohammedaly22/VoiceTut-TTS")

# 1) Built-in speaker
tts.synthesize("ازيك عامل ايه النهاردة؟", speaker="Mohammed", output="out.wav")

# 2) Zero-shot voice cloning
tts.synthesize("النهارده الجو حلو اوي",
               ref_audio="my_voice.wav", ref_text="ده الصوت بتاعي", output="clone.wav")

# 3) Code-switching + generation params
tts.synthesize("عندي meeting الساعة 3:30 ومعايا ال presentation",
               speaker="Yasmin", num_step=48, guidance_scale=2.5, speed=1.05, output="cs.wav")

for sr, chunk in tts.stream(long_paragraph, speaker="Ahmed"):
    play(chunk)                    # plays each sentence as it's generated
tts.synthesize_long(long_paragraph, "long.wav", speaker="Ahmed")

Tool | What it does
synthesize | 根据文本和说话人或参考音频把语音写入文件
stream | 一次一句地输出音频块
synthesize_long | 把长段落写入单个文件

示例：你用一句埃及阿拉伯语问候和说话人 Mohammed 调用 synthesize。它会写出一个 WAV 文件，里面是这个内置声音用自然的埃及阿拉伯语说出的问候。

新手与专家：如果你是新手，先试托管演示，听听这些声音。然后安装这个包，运行第一个示例，生成一个音频文件。

如果你熟悉这个领域，模型加入了埃及阿拉伯语文本规范化，处理数字、日期、时间、货币、电话号码、邮箱和缩写，另有一份英语到阿拉伯语的名字映射。在 T4 上用 float16 和 32 步时，平均实时因子是 1.13，最好是 0.49。

埃及阿拉伯语或混合文本
文本规范化
基于 OmniVoice 的语音模型
24 kHz 音频，整段或流式输出

注意事项：质量数据来自模型卡自己在一块 T4 GPU 上的测试，流式输出时首个音频的延迟是 1.68 秒。

• License: Apache 2.0
• Cost to run: 没有提到 API 密钥、账号或付费服务，但测试中用到约 3 GB 显存的 GPU
• Data it reaches: 你提供的文本和参考音频，以及从 Hugging Face 和 GitHub 下载的文件
• Not for: 克隆你没有使用权的声音

Title: 词错误率，越低越好
Egyptian Arabic: 0.40
English: 0.07

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：omnivoice
• 参数量：613M
• Weights: about 2.5 GB in F32; about 306 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：3,074
• 点赞：36
• 许可证：apache-2.0
• 语言：ar, arz, en
• 基于：k2-fsa/OmniVoice
• Quantized versions: 1
• Fine-tunes: 2
• 标签：omnivoice, safetensors, text-to-speech, egyptian-arabic, arabic, code-switching, voice-cloning

链接

• 模型：https://huggingface.co/mohammedaly22/VoiceTut-TTS
• 文件：https://huggingface.co/mohammedaly22/VoiceTut-TTS/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 mohammedaly22/VoiceTut-TTS

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。