HolosTTS

HolosTTS

把乌克兰语音素转成语音，可用预设声音或从音频样本克隆的声音，输出流式 24 kHz 单声道音频。适合在 PyTorch、ONNX Runtime、MLX 或 Android 上添加乌克兰语语音的开发者。

由 patriotyk 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：HolosTTS 是 patriotyk 制作的开源乌克兰语文字转语音模型。它读取音素，返回 24 kHz 的单声道音频，可以一次性返回，也可以流式返回。它带有预设声音，也能从音频样本克隆声音。

适合谁：如果你需要在应用、服务器、Mac 或 Android 手机上生成乌克兰语语音，它适合你。作者把它描述为在质量和速度之间取得平衡。

Industry | Who uses it | How they use it | Example
软件 | 应用开发者 | 给产品加上乌克兰语语音回复或旁白 | 通过 Android 库说话的手机应用
媒体 | 视频和音频创作者 | 用预设声音或克隆声音为脚本配音 | 为一段乌克兰语短视频配旁白
教育 | 老师和语言学习应用的开发者 | 把乌克兰语课文朗读出来 | 朗读课文里的一句简短问候
研究 | 语音工程师 | 比较 PyTorch、ONNX Runtime 和 MLX 的运行情况 | 在 GPU 上测量第一个音频块的耗时

如果你需要乌克兰语以外的语言，可以跳过它，因为这个模型只列出乌克兰语。

用在哪里：

• PyTorch，在 CPU 或装有 CUDA 版本的 NVIDIA GPU 上
• ONNX Runtime，不需要 PyTorch：CPU、CUDA 或 TensorRT
• Apple silicon Mac 的 GPU 上的 MLX
• Android，GPU 上用 LiteRT，CPU 上用 ONNX Runtime
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Use case | Who | What they get back
朗读一段文字 | 创作者 | 一个 24 kHz 的 WAV 语音文件
实时语音 | 应用开发者 | 每个音频块一准备好就送出
自定义声音 | 手上有可合法使用的干净录音的人 | 用这段录音克隆出的声音说话

如何设置：

• Python 和 pip
• Git，用于两个乌克兰语重音标记和音标转写的辅助包
• 如果使用 NVIDIA GPU，需要 CUDA 版本的 PyTorch
• 首次运行需要联网，模型会从 Hugging Face 获取文件并缓存

1. 从 GitHub 页面安装两个辅助包 ukrainian-word-stress 和 ipa-uk。模型接收的是音素，不是普通文本。
2. 安装适合你运行环境的 HolosTTS 包。
3. 加载模型。它会在首次使用时下载文件。

自己获取文件：

pip install -U huggingface_hub
hf download patriotyk/HolosTTS

PyTorch：

python -m pip install holos-tts

ONNX Runtime：

python -m pip install holos-tts-onnx              # CPU and CUDA
python -m pip install "holos-tts-onnx[tensorrt]"  # plus TensorRT

Apple silicon 上的 MLX：

python -m pip install holos-tts-mlx

如何使用：先把你的乌克兰语文本转成音素，再连同一个声音传给模型。长文本请一句一句地合成。速度大于 1 说得更快，小于 1 说得更慢。

from ipa_uk import ipa
from ukrainian_word_stress import Stressifier

stressify = Stressifier()
phonemes = ipa(stressify("Привіт! Це український синтез мовлення."))

import torch
import soundfile as sf
from holos.models import HolosTTS

device = "cuda" if torch.cuda.is_available() else "cpu"
model = HolosTTS("patriotyk/HolosTTS", device=device)

print(model.list_voices())
voice = model.list_voices()[0]
audio = model.generate(phonemes, voice=voice, speed=1.0)
sf.write("speech.wav", audio.squeeze().cpu().numpy(), 24000)

流式输出时，所有音频块合起来与一次 generate 调用的音频相同：

for chunk in model.stream(phonemes, voice=voice):
    play(chunk.squeeze().cpu().numpy())  # tensor [1, samples]

克隆声音时，把目标声音的录音交给编码器，录音里不要有音乐或其他说话人：

from holos.models import VoiceEncoder

encoder = VoiceEncoder("patriotyk/HolosTTS", device=device)
with torch.inference_mode():
    custom_voice = encoder("reference.wav")
audio = model.generate(phonemes, voice=custom_voice)
sf.write("custom_voice.wav", audio.squeeze().cpu().numpy(), 24000)

Tool | What it does
holos-tts | 在 PyTorch 上运行模型并克隆声音
holos-tts-onnx | 在 ONNX Runtime 上运行，不需要 PyTorch，支持 CPU、CUDA 或 TensorRT
holos-tts-mlx | 用 MLX 在 Apple silicon Mac 的 GPU 上运行
holos-tts-litert | 通过 LiteRT 在 CPU 或 GPU 上运行，并为 Android 库提供参照

示例：取乌克兰语问候语 “Привіт!”，用两个辅助包把它转成音素，再用 list_voices 里的第一个声音调用 generate。你会得到 speech.wav，一段 24 kHz 的单声道录音，朗读这句问候。

新手与专家：这个模型读的是发音，不是字母。两个小的辅助包会先把你的乌克兰语文本转成带重音标记的音素。第一次尝试时，安装 holos-tts，运行音素那几行，打印声音列表，再生成一句简短的话。

在底层，流式输出返回 chunk_frames 帧大小的块，默认每秒 40 帧。小块播放得更早，但整个任务耗时更长，因为每个块解码时都要带上相邻块作为上下文。每段语音开头有约 50 ms 的静音边界。流式模式下大部分空隙会被裁掉，再加 5 ms 淡入，避免爆音。每个声音由 256 个数字组成。把它们存下来，ONNX 包也能使用这个声音。

乌克兰语文本加上重音标记
音标转写生成音素
HolosTTS 加上预设或克隆的声音
音频整段或分块返回

注意事项：作者报告在 RTX 5090 上 3 ms、在 RTX 3090 上 5 ms 出第一个音频块。这些是作者自己给出的数字。

Title: 报告的首个音频块耗时，单位毫秒
RTX 5090: 3 ms
RTX 3090: 5 ms

• License: MIT
• Cost to run: 没有提到 API 密钥或付费服务，模型在你自己的硬件上运行
• Data it reaches: 首次使用时从 Hugging Face 获取模型和声音文件，并在本地保留一份
• Not for: 乌克兰语以外的语言、没有音素的纯文本，或克隆你无权使用的声音

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• Formats: Safetensors
• 最近 30 天下载：95
• 点赞：18
• 许可证：mit
• 语言：uk
• 标签：tflite, onnx, safetensors, litert, text-to-speech

链接

• 模型：https://huggingface.co/patriotyk/HolosTTS
• 文件：https://huggingface.co/patriotyk/HolosTTS/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 patriotyk/HolosTTS

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。