Silero TTS: Web-интерфейс, FastAPI Service & Console Utility

Этот репозиторий предоставляет три мощных способа для синтеза русской речи с использованием моделей Silero Models:

1. Простой Веб-интерфейс: Готовая веб-страница для синтеза речи прямо в браузере. Самый простой способ для быстрого старта.
2. FastAPI Service: Высокопроизводительный веб-сервис для интеграции синтеза речи в ваши проекты (веб-сайты, боты, бэкенды) по API.
3. Console Utility: Полностью автономная консольная утилита для синтеза речи из командной строки.

Все инструменты поддерживают обработку очень длинных текстов и SSML-разметки, генерируя аудио в форматах .wav или .ogg.

• Общие предварительные требования
• Часть 1: Простой Веб-интерфейс (для всех)
  • Ключевые особенности
  • Как использовать
• Часть 2: FastAPI Service (для разработчиков)
  • Ключевые особенности сервиса
  • Установка и запуск сервиса
  • Использование API
• Часть 3: Автономная консольная утилита (для пользователей)
  • Ключевые особенности утилиты
  • Использование утилиты
• Общая информация
  • Технологический стек
  • Структура проекта

Перед началом работы убедитесь, что в вашей системе установлены:

1. Python 3.10+
2. Git (для клонирования репозитория)

FFmpeg не является строгим требованием, так как консольная утилита может скачать его автоматически. Однако для FastAPI-сервиса его рекомендуется установить вручную.

Это самый легкий способ воспользоваться синтезом речи. Вы просто запускаете сервер и открываете готовую веб-страницу в браузере.

• Интуитивно понятно: Не требует знаний программирования или командной строки.
• Полный функционал: Поддерживает ввод текста, загрузку файлов, SSML-разметку и выбор всех доступных опций.
• Адаптивный дизайн: Отлично выглядит и работает как на компьютере, так и на телефоне.
• Мгновенный результат: Позволяет прослушать и скачать сгенерированный аудиофайл прямо на странице.

1. Установите зависимости. Выполните шаги по установке из Части 2 (клонирование репозитория, создание окружения и pip install -r requirements.txt).

2. Запустите сервер FastAPI:

   uvicorn app.main:app --host 0.0.0.0 --port 8000

   При первом запуске будет скачана модель Silero (~120 МБ).

3. Откройте веб-страницу: Найдите в папке проекта файл index.html и просто откройте его в любом современном браузере (Chrome, Firefox, Safari).

4. Синтезируйте речь:

   • Введите или вставьте текст в текстовое поле.
   • Выберите голос и другие настройки.
   • Нажмите кнопку "Озвучить".
   • Готовый результат появится на странице в виде аудиоплеера и ссылки для скачивания.

Этот компонент представляет собой готовый к работе асинхронный веб-сервис на FastAPI для интеграции синтеза речи по API.

• REST API: Предоставляет эндпоинты для синтеза из простого текста и SSML.
• Обработка длинных текстов: Автоматически нарезает и склеивает аудио для текстов и SSML любой длины.
• Высокая производительность: Построен на FastAPI и Uvicorn, идеально подходит для веб-нагрузок.
• Потокобезопасность: Запросы к модели выполняются в очереди, что гарантирует стабильность.
• Интерактивная документация: Swagger UI (/docs) и ReDoc (/redoc) для удобного тестирования API.

1. Клонируйте репозиторий:

   git clone https://your-repository-url/silero-tts-project.git
   cd silero-tts-project

2. Создайте и активируйте виртуальное окружение:

   python -m venv .venv
   # Windows
   .venv\Scripts\activate
   # macOS / Linux
   source .venv/bin/activate

3. Установите зависимости:

   pip install -r requirements.txt

4. Запустите сервер:

   uvicorn app.main:app --host 0.0.0.0 --port 8000 --log-config log_config.yaml

   Сервер будет доступен по адресу http://localhost:8000.

Откройте в браузере http://localhost:8000/docs для интерактивного взаимодействия.

• Эндпоинт /tts/text: Принимает POST-запрос с JSON-телом {"text": "...", "speaker": "xenia"}.
• Эндпоинт /tts/ssml: Принимает POST-запрос с JSON-телом {"ssml_text": "<speak>...</speak>", "speaker": "xenia"}.

Пример с curl:

curl -X POST "http://localhost:8000/tts/text" \
-H "Content-Type: application/json" \
-d '{"text": "Проверка связи через API."}' \
--output speech.ogg

В папке app/ находится скрипт silero_cli.py — мощная утилита командной строки, которая работает полностью автономно и не требует запущенного сервера.

• Полная автономность: Не нужен веб-сервер, работает напрямую.
• Автоматическая загрузка FFmpeg: Если ffmpeg не найден, утилита предложит скачать его.
• "Умная" нарезка SSML и текста: Корректно обрабатывает очень длинные тексты и SSML-файлы.
• Плавная склейка: Добавляет микро-паузы между синтезированными фрагментами, чтобы избежать щелчков.
• Гибкое управление: Все параметры задаются через аргументы командной строки.

Важно: Установка зависимостей (pip install -r requirements.txt) является общей для всех частей проекта.

Синтез из командной строки:

python app/silero_cli.py --text "Привет, мир! Это простой тест." --save output.wav

Синтез из SSML-файла:

python app/silero_cli.py --ssml speech.ssml --save result.ogg --speaker eugene

• Синтез речи: Silero Models (PyTorch)
• Веб-фреймворк (API): FastAPI & Uvicorn
• Обработка текста/SSML: Razdel, xml.etree.ElementTree
• Обработка аудио: NumPy, SciPy
• Аудио-конвертация: FFmpeg

silero-tts-project/
├── app/
│   ├── __init__.py
│   ├── main.py              # FastAPI-сервер: эндпоинты, логика API
│   ├── tts_model.py         # Модуль-обертка для работы с моделью Silero
│   ├── text_processor.py    # Нарезка длинных текстов и SSML
│   └── silero_cli.py        # Автономная консольная утилита
│
├── .venv/                   # Виртуальное окружение
├── index.html               # Веб-интерфейс для пользователя
├── app.log                  # Файл логов для FastAPI-сервиса
├── log_config.yaml          # Конфигурация логирования для Uvicorn
├── requirements.txt         # Общий список зависимостей Python
└── README.md                # Этот файл