Biblioteca Python de inferência para o Kokoro-82M, um modelo de conversão de texto em fala com pesos abertos e 82 milhões de parâmetros.
9,5 mil1,1 milJavaScriptApache-2.0Atualizado ano passado
ekwek1/soprano
Soprano é um modelo de conversão de texto em fala ultraleve, executado no dispositivo, com suporte a CUDA, CPU e MPS e saída em streaming.
- Estrelas
- 1,618
- Forks
- 138
- Issues abertas
- 19
- Último commit
- há 9 meses
O que é?
Soprano é um modelo de conversão de texto em fala baseado em uma arquitetura compacta de 80 milhões de parâmetros, voltado à síntese rápida e de alta fidelidade de fala em inglês em hardware de consumo. Ele gera áudio a 32 kHz, oferece streaming de baixa latência tanto em CPU quanto em GPU e divide automaticamente textos longos para não limitar a duração da saída.
O projeto oferece várias formas de execução: uma WebUI, uma CLI, um endpoint de fala compatível com OpenAI servido com uvicorn e uma API Python com inferência em lotes e em streaming. Ele roda em CUDA, CPU e Apple MPS no Windows, Linux e Mac, com um backend opcional lmdeploy para GPUs NVIDIA. O projeto também inclui links para integrações comunitárias com ONNX e ComfyUI.
Atualmente, o Soprano oferece suporte apenas ao inglês e não inclui clonagem de voz. O modelo foi treinado com cerca de 1.000 horas de áudio, então palavras incomuns podem ser pronunciadas incorretamente. O fine-tuning é feito no projeto separado Soprano-Factory.
Recursos principais
- 01Gera fala a 32 kHz em dispositivos com CPU, CUDA e Apple MPS.
- 02Transmite áudio com baixa latência e divide textos longos automaticamente.
- 03Oferece uma WebUI, uma CLI, uma API Python e um endpoint de fala compatível com OpenAI.
- 04Oferece suporte à inferência em lotes para processar várias frases de uma vez.
- 05Roda com menos de 1 GB de memória usando um modelo de 80 milhões de parâmetros.
Casos de uso
- Adicionar saída de voz em inglês localmente a um aplicativo desktop ou de edge, sem usar uma API na nuvem.
- Disponibilizar um endpoint de fala no estilo OpenAI para um aplicativo interno.
- Gerar narrações ou áudios de locução em lotes.
- Criar workflows no ComfyUI que incluam geração de fala.
Início rápido
- 1
Instalar o pacote (CPU/MPS)
pip install soprano-tts - 2
Iniciar a interface web
soprano-webui
Antes de usar
- Disponível apenas em inglês; o suporte a vários idiomas ainda está no roadmap.
- Não oferece suporte à clonagem de voz.
- Foi treinado com apenas cerca de 1.000 horas de áudio, então palavras incomuns podem ser pronunciadas incorretamente.
- Quem usa CUDA no Windows precisa reinstalar manualmente uma versão do PyTorch compilada para CUDA.
Tópicos
Perguntas frequentes
- O que é soprano?
- Soprano é um modelo de conversão de texto em fala ultraleve, executado no dispositivo, com suporte a CUDA, CPU e MPS e saída em streaming. Soprano é um modelo de conversão de texto em fala baseado em uma arquitetura compacta de 80 milhões de parâmetros, voltado à síntese rápida e de alta fidelidade de fala em inglês em hardware de consumo. Ele gera áudio a 32 kHz, oferece streaming de baixa latência tanto em CPU quanto em GPU e divide automaticamente textos longos para não limitar a duração da saída.
- soprano é gratuito? Qual é a licença?
- soprano é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- soprano ainda é mantido?
- Sem commits há mais de 6 meses. O último commit de soprano foi em 15 de jan. de 2026.
- Para que posso usar soprano?
- Adicionar saída de voz em inglês localmente a um aplicativo desktop ou de edge, sem usar uma API na nuvem. Disponibilizar um endpoint de fala no estilo OpenAI para um aplicativo interno. Gerar narrações ou áudios de locução em lotes. Criar workflows no ComfyUI que incluam geração de fala.
- Como instalar soprano?
- Instalar o pacote (CPU/MPS): pip install soprano-tts Iniciar a interface web: soprano-webui
- Onde consigo soprano?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/ekwek1/soprano
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Modelo open source de text-to-speech zero-shot com suporte a mais de 600 idiomas, clonagem de voz e criação de vozes.
14,8 mil2,2 milPythonApache-2.0Atualizado há 7 dias
Modelo de TTS leve baseado no ZipVoice para clonagem de voz e geração de fala a 48 kHz, com velocidade superior a 150x em tempo real na GPU.
5,5 mil685PythonApache-2.0Atualizado há 5 meses
Ferramenta de código aberto que traduz vídeos para outros idiomas, com reconhecimento de fala, tradução de legendas, dublagem com IA e síntese de áudio e vídeo.
IA e Machine Learning#video-translation#speech-to-text#subtitle-translation#text-to-speech#ai-dubbing
19,5 mil2,4 milPythonGPL-3.0Atualizado há 5 dias
Framework de pesquisa open source para gerar vídeos de avatares em tempo real a partir de áudio, com transmissão contínua e duração ilimitada, usando um modelo de difusão de 14B.
2,5 mil286PythonApache-2.0Atualizado há 2 meses
Kit de ferramentas Python local e offline que reúne transcrição e síntese de fala, clonagem e conversão de voz, geração de música e limpeza de áudio em uma CLI e GUI.
52392PythonAGPL-3.0Atualizado há 19 dias