Scylla's Band

Scylla's Band

既能朗读又能按旋律谱演唱的文字转语音模型，有十四种声音、六种语言，可调强度、语速和音高。

由 spybyscript 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：Scylla's Band 是一个会说也会唱的文字转语音模型。同一个模型负责两者，由交付模式决定用哪种。它有十四种声音，列出的语言有英语、西班牙语、意大利语、法语、德语和越南语。这里介绍的版本是 v4-20261106。

唱歌总是需要你提供一份乐谱。模型不会自己编歌。

适合谁：它适合想让声音在自己设备上运行的开发者和创作者，无论是在应用里还是在桌面上。运行时支持 Linux、Windows、macOS、iOS、visionOS 和 Android。

行业 | 谁在用 | 怎么用 | 例子
应用开发 | 移动端和桌面开发者 | 给应用加上语音台词 | 用语音朗读一句问候
游戏和媒体 | 创作者 | 让角色说出或唱出一句台词 | 根据乐谱唱出一小段流行乐
语言学习 | 应用开发者 | 用多种语言朗读句子 | 用西班牙语读一句话
音乐 | 词曲作者 | 听到歌词配上旋律的效果 | 根据乐谱渲染一个乐句

如果你只需要托管的语音服务，从不自己运行模型，可以跳过它。

用在哪里：

• Scylla's Band 运行时，在电脑上通过 Python 运行
• Linux、Windows 和 macOS 的命令行
• iOS、visionOS 和 Android，通过同一套运行时
• macOS 上的 Apple 版本包，使用 coreml 或 coreai 风格

用例 | 谁用 | 得到什么
朗读一句话 | 开发者 | 一个用你选的声音和语言生成的 WAV 文件
演唱一份乐谱 | 创作者 | 一个流行或抒情风格的 WAV 歌声文件
调整语气 | 任何人 | 更平静或更强烈、更慢或更快、更低或更高的语音

如何设置：先准备好下面这些东西。

• 你电脑上的 Python
• 运行时，从它的代码检出目录用 pip 安装
• 放声音包所需的磁盘空间

1. 从检出目录用 pip 安装运行时。
2. 运行 download 命令，它会安装这个版本的声音包和示例乐谱。
3. 在 macOS 上，加上 coreml 或 coreai 风格来获取 Apple 版本包。
4. 可选：运行 build-native，让命令更快、更轻。

pip install -e .
python -m scyllasband download --flavor litert

你也可以用 Hugging Face 自己的步骤获取仓库文件。

pip install -U huggingface_hub
hf download spybyscript/scyllasband

如何使用：你可以运行 speak 命令，给它声音、语言和文字，也可以运行 sing 命令，给它声音和乐谱文件。强度、语速和音高的范围都是负 2 到 2，0 表示保持声音原样。超出范围的值会被截到范围内。

python -m scyllasband speak --voice ariadne --language en_us --intensity 1 --pace -0.5 \
    -o hello.wav "It is a pleasure to meet you."
python -m scyllasband sing --voice gwen --score scyllasband/models/melodies/phrase_pop_00.json -o ring.wav

工具 | 作用
download | 安装声音包和示例乐谱
speak | 用选定的声音和控制项把文字渲染成 WAV 文件
sing | 把旋律谱渲染成流行或抒情风格的 WAV 文件
build-native | 编译运行时的原生版本，运行更快更轻

示例：你让 speak 命令用 ariadne 声音、en_us 语言，在强度 1、语速 -0.5 下说 "It is a pleasure to meet you."。它会写出 hello.wav，是一句比这个声音默认状态稍强烈、稍慢的语音。

新手与专家：先运行安装里的 download 命令和 speak 命令，再打开它写出的 WAV 文件。把强度或语速调一档，听听差别。想要唱歌时，试试 download 装好的示例乐谱，文件夹里有二十份。

一首歌是一份 JSON 乐谱，包含歌词文字、速度、流行或抒情风格，以及按标签、音高和拍数给出的音符。语音和唱歌共用一个流模型。唱歌的输出经过在这些声音上调过的 BigVGAN v2 解码器，语音用 Vocos。这个流模型跑 4 个 Euler 步。v4 的图多了一个 delivery_mode_id 输入，所以为 v3 构建的运行时会拒绝这个包。

用 pip 安装运行时
下载声音包
选声音和控制项
朗读文字或演唱乐谱
写出一个 WAV 文件

注意事项：

• License: Apache 2.0
• Cost to run: 来源没有提到
• Data it reaches: 它从仓库下载声音包和示例乐谱，然后写出你指定的音频文件
• Not for: 没有乐谱的自由演唱，因为必须提供旋律谱

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：litert
• 最近 30 天下载：929
• 点赞：17
• 许可证：apache-2.0
• 语言：en, es, it, fr, de, vi
• 标签：litert, tflite, onnx, text-to-speech, singing, singing-voice-synthesis, coreml, pytorch, multilingual, expressive-tts, duration-flow

链接

• 模型：https://huggingface.co/spybyscript/scyllasband
• 文件：https://huggingface.co/spybyscript/scyllasband/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 spybyscript/scyllasband

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。