Документация: ROS2 нода silero_tts

Общее описание

Нода silero_tts выполняет офлайн-синтез речи (Text-to-Speech) на основе модели Silero TTS v5_3_ru. Модель загружается локально через torch.package — подключение к интернету не требуется. Поддерживается 5 русских голосов, автоматическая расстановка ударений и буквы «ё». Сгенерированный WAV-файл может быть сохранён на диск/в RAM и опционально воспроизведён через media_driver.

---

Сервисы

<namespace>/speak

Поле	Значение
Тип	robohead_interfaces/srv/Speak
Имя по умолчанию	speak (настраивается параметром srv_speak_name)

Запрос

Поле	Тип	Описание
text	string	Текст для озвучки. Для ручного ударения — символ + перед ударной гласной (например, зам+ок)
voice	int16	Индекс голоса (0–4, см. таблицу)
path_to_save	string	Путь для сохранения WAV-файла. Пустая строка — сохранение в default_dir (/dev/shm/tmp_silero_tts.wav)
put_accent	bool	true — автоматическая расстановка ударений моделью
put_yo	bool	true — автоматическая замена е на ё где необходимо
play	bool	true — после синтеза воспроизвести WAV через media_driver

Ответ

Поле	Тип	Описание
data	int16	Код результата

Коды ответа

Код	Значение
0	Успех
-1	Пустой текст
-2	Недопустимый индекс голоса (вне диапазона 0–4)
-3	Ошибка синтеза (исключение в Silero)
-4	Синтез вернул None (ошибка записи файла или создания директории)
-5	play=true, но параметр srv_play_media не настроен
-6	Ошибка воспроизведения через media_driver

Доступные голоса

Индекс (voice)	Имя	Пол
0	aidar	Мужской
1	baya	Женский
2	kseniya	Женский
3	eugene	Мужской
4	xenia	Женский

---

Параметры конфигурации

Файл: config/silero_tts.yaml

Параметр	Тип	По умолчанию	Описание
model_path	string	"v5_3_ru.pt"	Имя файла модели (относительно <package>/model/).
device	string	"cpu"	Устройство PyTorch ("cpu" или "cuda")
sample_rate	int	48000	Частота дискретизации выходного аудио (8000 / 24000 / 48000)
default_dir	string	"/dev/shm"	Директория для WAV-файлов, когда path_to_save пустой
srv_speak_name	string	"speak"	Имя сервиса синтеза речи
srv_play_media	string	""	Полное имя сервиса media_driver/play_media. Пустая строка — воспроизведение через play=true невозможно

---

Модель

Модель хранится локально в директории silero_tts/silero_tts/model/. Загрузка из интернета не выполняется при работе ноды.

Скачивание модели (однократно, требуется интернет)

При скачивании пакета из репозитория необходимо дополнительно установить модель синтеза.

cd ~/robohead_ws/src/robohead2/silero_tts/silero_tts/model/
./download_model.sh

Структура файлов

silero_tts/
├── config
│   └── silero_tts.yaml         # Конфиг-файл
├── launch
│   └── silero_tts.launch.py    # Launch-фал
├── package.xml
├── README.md                   # Документация
├── resource
│   └── silero_tts
├── setup.cfg
├── setup.py
├── silero_tts
│   ├── __init__.py
│   ├── main.py                 # Главный скрипт для синтеза
│   ├── model
│   │   ├── download_model.sh   # Скрипт для скачивания модели 
│   │   └── v5_3_ru.pt          # Модель для синтеза
└── test
    ├── test_copyright.py
    ├── test_flake8.py
    └── test_pep257.py

---

Управление ударениями

Режим	put_accent	Формат текста	Пример
Автоматический	true	Обычный текст	"Красивый замок на горе"
Ручной	false	+ перед ударной гласной	"Красивый з+амок на гор+е"
Комбинированный	true	+ для исправления авто-ударений	"Он открыл зам+ок"

---

Поддержка SSML

Silero TTS поддерживает подмножество SSML (Speech Synthesis Markup Language) для тонкого управления произношением: скорость, высота голоса, паузы, разделение на параграфы и предложения.

Поддерживаемые теги

Тег	Описание	Пример
<speak>	Корневой элемент (обязательный)	<speak>Текст</speak>
<p>	Параграф (пауза между параграфами)	<p>Первый параграф.</p><p>Второй.</p>
<s>	Предложение (пауза между предложениями)	<s>Первое.</s><s>Второе.</s>
<break>	Пауза заданной длительности	<break time="2000ms"/>
<prosody>	Скорость и высота голоса	<prosody rate="fast">быстро</prosody>

Атрибуты <prosody>

Атрибут	Допустимые значения	Описание
rate	x-slow, slow, medium, fast, x-fast	Скорость речи
pitch	x-low, low, medium, high, x-high	Высота голоса

Атрибуты <break>

Атрибут	Формат	Пример
time	Миллисекунды (ms)	<break time="500ms"/>, <break time="2000ms"/>

Пример SSML

<speak>
  <p>
    Когда я просыпаюсь, <prosody rate="x-slow">я говорю довольно медленно</prosody>.
    Пот+ом я начинаю говорить своим обычным голосом,
    <prosody pitch="x-high">а могу говорить тоном выше</prosody>,
    или <prosody pitch="x-low">наоборот, ниже</prosody>.
    Пот+ом, если повезет – <prosody rate="fast">я могу говорить и довольно быстро.</prosody>
    А еще я умею делать паузы любой длины, например, две секунды <break time="2000ms"/>.
    <p>
      Также я умею делать паузы между параграфами.
    </p>
    <p>
      <s>И также я умею делать паузы между предложениями</s>
      <s>Вот например как сейчас</s>
    </p>
  </p>
</speak>

Использование SSML через сервис

Важно: При использовании SSML текст передаётся в поле text. Нода автоматически определяет SSML по наличию тега <speak> в начале текста.

Из командной строки

ros2 service call /silero_tts/speak robohead_interfaces/srv/Speak "{
  text: '<speak><p>Привет <break time=\"1000ms\"/> <prosody rate=\"slow\">Я говорю медленно.</prosody></p></speak>',
  voice: 4,
  path_to_save: '',
  put_accent: true,
  put_yo: true,
  play: true
}"

Примечание: Параметры put_accent и put_yo применяются только к обычному тексту. При SSML-вводе они игнорируются — ударения в SSML задаются вручную через + перед гласной.

---

Примеры использования

Из командной строки

# Синтез в RAM без воспроизведения
ros2 service call /silero_tts/speak robohead_interfaces/srv/Speak \
  "{text: 'Привет', voice: 4, path_to_save: '', put_accent: true, put_yo: true, play: false}"


# Синтез + воспроизведение через media_driver
ros2 service call /silero_tts/speak robohead_interfaces/srv/Speak \
  "{text: 'Озвучиваю и воспроизвожу.', voice: 4, path_to_save: '', put_accent: true, put_yo: true, play: true}"

# Сохранить на диск
ros2 service call /silero_tts/speak robohead_interfaces/srv/Speak \
  "{text: 'Сохраняю файл.', voice: 2, path_to_save: '/home/pi/speech.wav', put_accent: true, put_yo: true, play: false}"

# Ручное ударение
ros2 service call /silero_tts/speak robohead_interfaces/srv/Speak \
  "{text: 'Он открыл з+амок или зам+ок', voice: 4, path_to_save: '', put_accent: false, put_yo: false, play: true}"

# Мужской голос (aidar)
ros2 service call /silero_tts/speak robohead_interfaces/srv/Speak \
  "{text: 'Мужской голос.', voice: 0, path_to_save: '', put_accent: true, put_yo: true, play: true}"

# Прослушать сгенерированный файл вручную
aplay /dev/shm/tmp_silero_tts.wav

После каждой перегенерации в default_dir файл tmp_silero_tts.wav перезаписывается!

Сборка и запуск

# Скачать модель (однократно)
cd ~/robohead_ws/srс/robohead2/silero_tts/silero_tts/model/
./download_model.sh

# Сборка
colcon build --symlink-install --packages-select robohead_interfaces silero_tts

# Запуск
ros2 launch silero_tts silero_tts.launch.py

---