🇨🇳中文 | 🌐English | 📖文档/Docs | 🤖模型/Models

---

Parrots: ASR and TTS toolkit

Introduction

Parrots, Automatic Speech Recognition(ASR), Text-To-Speech(TTS) toolkit, support Chinese, English, Japanese, etc.

parrots实现了语音识别和语音合成模型一键调用，开箱即用，支持中英文。

Features

1. ASR：基于distilwhisper实现的中文语音识别（ASR）模型，支持中、英等多种语言
2. TTS：基于GPT-SoVITS训练的语音合成（TTS）模型，支持中、英、日等多种语言
3. IndexTTS2：集成了 IndexTTS2 模型，支持情感表达和时长控制的零样本语音合成
   • 精确的语音时长控制
   • 情感与说话人身份解耦，独立控制音色和情感
   • 支持多种情感控制方式：音频参考、情感向量、文本描述
   • 高度表现力的情感语音合成
4. 流式TTS：支持流式语音合成，实现低延迟的实时语音输出

Install

pip install torch # or conda install pytorch
pip install -r requirements.txt
pip install parrots

or

pip install torch # or conda install pytorch
git clone https://github.com/shibing624/parrots.git
cd parrots
python setup.py install

Demo

• HuggingFace Demo: https://huggingface.co/spaces/shibing624/parrots

run example: examples/tts_gradio_demo.py to see the demo:

python examples/tts_gradio_demo.py

Usage

ASR(Speech Recognition)

example: examples/demo_asr.py

import os
import sys

sys.path.append('..')
from parrots import SpeechRecognition

pwd_path = os.path.abspath(os.path.dirname(__file__))

if __name__ == '__main__':
    m = SpeechRecognition()
    r = m.recognize_speech_from_file(os.path.join(pwd_path, 'tushuguan.wav'))
    print('[提示] 语音识别结果：', r)

output:

{'text': '北京图书馆'}

TTS(Speech Synthesis)

GPT-SoVITS 基础用法

example: examples/demo_tts.py

from parrots import TextToSpeech

# 初始化 TTS 模型（无需手动配置路径）
m = TextToSpeech(
    speaker_model_path="shibing624/parrots-gpt-sovits-speaker-maimai",
    speaker_name="MaiMai",
    device="cpu",  # 或 "cuda" 使用 GPU
    half=False     # 设置为 True 使用半精度加速
)

# 生成语音
m.predict(
    text="你好，欢迎来到北京。这是一个合成录音文件的演示。Welcome to Beijing!",
    text_language="auto",  # 自动检测语言，也可指定 "zh", "en", "ja"
    output_path="output_audio.wav"
)

output:

Save audio to output_audio.wav

流式 TTS（低延迟）

支持流式语音合成，适用于实时对话场景：

from parrots import TextToSpeech
import soundfile as sf
import numpy as np

m = TextToSpeech(
    speaker_model_path="shibing624/parrots-gpt-sovits-speaker-maimai",
    speaker_name="MaiMai",
)

# 流式生成语音
audio_chunks = []
for audio_chunk in m.predict_stream(
    text="这是一段较长的文本，将会被流式合成为语音。",
    text_language="zh",
    stream_chunk_size=20  # 控制延迟，越小延迟越低
):
    audio_chunks.append(audio_chunk)
    # 这里可以实时播放 audio_chunk

# 保存完整音频
full_audio = np.concatenate(audio_chunks)
sf.write("streaming_output.wav", full_audio, m.sampling_rate)

日志管理

控制日志输出级别：

from parrots import TextToSpeech
from parrots.log import set_log_level, logger

# 设置日志级别
set_log_level("INFO")  # 可选: DEBUG, INFO, WARNING, ERROR

m = TextToSpeech(
    speaker_model_path="shibing624/parrots-gpt-sovits-speaker-maimai",
    speaker_name="MaiMai",
)

# 使用 logger
logger.info("开始语音合成...")
m.predict(
    text="你好，世界！",
    text_language="zh",
    output_path="output.wav"
)

IndexTTS2 高级用法

IndexTTS2 是一个突破性的情感表达和时长控制的自回归零样本语音合成模型。

example: examples/demo_indextts.py

1. 基础语音克隆（使用单个参考音频）

from parrots.indextts import IndexTTS2

tts = IndexTTS2()
text = "你好，欢迎来到北京。这是一个合成录音文件的演示。"
tts.infer(text=text, output_path="gen.wav", verbose=True)

2. 情感语音合成（使用情感参考音频）

使用单独的情感参考音频来控制语音合成的情感表达：

from parrots.indextts import IndexTTS2

tts = IndexTTS2()
text = "酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。"
tts.infer(
   speak_reference_audio_path_or_name='examples/voice_07.wav',  # 说话人音色参考
   text=text,
   output_path="gen.wav",
   emo_reference_audio_path="examples/emo_sad.wav",  # 情感参考音频
   verbose=True
)

3. 调整情感强度

通过 emo_alpha 参数（范围 0.0-1.0）调整情感影响程度：

from parrots.indextts import IndexTTS2

tts = IndexTTS2()
text = "酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。"
tts.infer(
   speak_reference_audio_path_or_name='examples/voice_07.wav',
   text=text,
   output_path="gen.wav",
   emo_reference_audio_path="examples/emo_sad.wav",
   emo_alpha=0.6,  # 情感强度 60%
   verbose=True
)

4. 使用情感向量控制

直接提供 8 维情感向量来精确控制情感，顺序为： [开心, 生气, 悲伤, 害怕, 厌恶, 忧郁, 惊讶, 平静]

from parrots.indextts import IndexTTS2

tts = IndexTTS2()
text = "哇塞！这个爆率也太高了！欧皇附体了！"
tts.infer(
   speak_reference_audio_path_or_name='examples/voice_10.wav',
   text=text,
   output_path="gen.wav",
   emo_vector=[0, 0, 0, 0, 0, 0, 0.45, 0],  # 惊讶情感
   use_random=False,
   verbose=True
)

5. 基于文本的情感控制

启用 use_emo_text 可以根据文本内容自动推断情感：

from parrots.indextts import IndexTTS2

tts = IndexTTS2()
text = "快躲起来！是他要来了！他要来抓我们了！"
tts.infer(
   speak_reference_audio_path_or_name='examples/voice_12.wav',
   text=text,
   output_path="gen.wav",
   emo_alpha=0.6,
   use_emo_text=True,  # 启用文本情感分析
   use_random=False,
   verbose=True
)

6. 独立的情感文本描述

通过 emo_text 参数单独指定情感描述文本：

from parrots.indextts import IndexTTS2

tts = IndexTTS2()
text = "快躲起来！是他要来了！他要来抓我们了！"
emo_text = "你吓死我了！你是鬼吗？"  # 独立的情感描述
tts.infer(
   speak_reference_audio_path_or_name='examples/voice_12.wav',
   text=text,
   output_path="gen.wav",
   emo_alpha=0.6,
   use_emo_text=True,
   emo_text=emo_text,
   use_random=False,
   verbose=True
)

拼音控制说明：

IndexTTS2 支持中文字符和拼音的混合建模。当需要精确的发音控制时，请提供带有特定拼音标注的文本。 注意：拼音控制不支持所有可能的声母-韵母组合，仅支持有效的中文拼音。

示例：

text = "之前你做DE5很好，所以这一次也DEI3做DE2很好才XING2，如果这次目标完成得不错的话，我们就直接打DI1去银行取钱。"

命令行模式（CLI）

支持通过命令行方式执行ARS和TTS任务，代码：cli.py

> parrots -h                                    

NAME
    parrots

SYNOPSIS
    parrots COMMAND

COMMANDS
    COMMAND is one of the following:

     asr
       Entry point of asr, recognize speech from file

     tts
       Entry point of tts, generate speech audio from text

run：

pip install parrots -U
# asr example
parrots asr -h
parrots asr examples/tushuguan.wav

# tts example
parrots tts -h
parrots tts "你好，欢迎来北京。welcome to the city." output_audio.wav

• asr、tts是二级命令，asr是语音识别，tts是语音合成，默认使用的模型是中文模型
• 各二级命令使用方法见parrots asr -h
• 上面示例中examples/tushuguan.wav是asr方法的audio_file_path参数，输入的音频文件（required）

Release Models

ASR

• BELLE-2/Belle-distilwhisper-large-v2-zh

IndexTTS2

• IndexTeam/IndexTTS-2 - 最新的情感表达和时长控制模型
• IndexTeam/IndexTTS-1.5 - 改进的稳定性和英语性能
• IndexTeam/Index-TTS - 初始版本

相关论文：

• IndexTTS2 Paper - 情感表达和时长控制的突破
• IndexTTS Paper - 工业级可控零样本 TTS

GPT-SoVITS TTS

• shibing624/parrots-gpt-sovits-speaker

• shibing624/parrots-gpt-sovits-speaker-maimai

更新日志

v0.3.0 (2025-11)

• 🔥 集成 IndexTTS2 模型，支持情感表达和时长控制的零样本语音合成
• ✨ 支持多种情感控制方式：音频参考、情感向量、文本描述
• ✨ 实现情感与说话人身份解耦，独立控制音色和情感
• ✨ 支持拼音混合建模，实现精确发音控制
• 🐛 修复 transformers 4.50+ 兼容性问题
• 🐛 修复字典参数访问错误
• 📝 新增 IndexTTS2 使用示例和文档

v0.2.0 (2025-10)

• ✨ 新增流式 TTS 功能，支持低延迟实时语音合成
• ✨ 新增统一的日志管理系统（基于 loguru）
• 🐛 修复 PyTorch 2.0+ 的 weight_norm 弃用警告
• 🐛 修复 torch.stft 的 return_complex=False 弃用警告
• 🐛 修复 librosa 的 resample 和 time_stretch 警告
• 🔧 优化模型加载机制，无需手动添加 sys.path
• 📝 完善文档和示例代码

v0.1.0 (2024-12)

• 🎉 初始版本发布
• ✨ 支持 ASR（语音识别）
• ✨ 支持 TTS（语音合成）
• ✨ 支持中、英、日多语言

Contact

• Issue(建议)：
• 邮件我：xuming: xuming624@qq.com
• 微信我：加我微信号：xuming624, 进Python-NLP交流群，备注：姓名-公司名-NLP

Citation

如果你在研究中使用了parrots，请按如下格式引用：

@misc{parrots,
  title={parrots: ASR and TTS Tool},
  author={Ming Xu},
  year={2024},
  howpublished={\url{https://github.com/shibing624/parrots}},
}

License

授权协议为 The Apache License 2.0，可免费用做商业用途。请在产品说明中附加parrots的链接和授权协议。

Contribute

项目代码还很粗糙，如果大家对代码有所改进，欢迎提交回本项目，在提交之前，注意以下两点：

• 在tests添加相应的单元测试
• 使用python -m pytest来运行所有单元测试，确保所有单测都是通过的

之后即可提交PR。

Reference

ASR(Speech Recognition)

• EAT: Enhanced ASR-TTS for Self-supervised Speech Recognition
• PaddlePaddle/PaddleSpeech
• NVIDIA/NeMo

TTS(Speech Synthesis)

• IndexTeam/IndexTTS - IndexTTS2 情感表达和时长控制
• coqui-ai/TTS
• keonlee9420/Expressive-FastSpeech2
• TensorSpeech/TensorflowTTS
• RVC-Boss/GPT-SoVITS