450万参数tiny-voca:CPU四线程70倍实时的TTS模型

不到500万参数的小型英文TTS模型tiny-voca在四线程CPU上跑到约70倍实时,从零训练只用了约18小时合成语音。它把语音合成的门槛压到手机和浏览器这一侧。

一句话看懂:不到500万参数的小型英文TTS模型tiny-voca在四线程CPU上跑到约70倍实时,从零训练只用了约18小时合成语音。它把语音合成的门槛压到手机和浏览器这一侧。

事件核心:发生了什么

开发者n4ze3m在Hugging Face发布了tiny-voca,一个只有男声M2和女声F2两个音色的美式英语语音合成模型。模型连同波形生成器共约453万参数,完全从零训练,数据是约18小时的合成语音,没有加载任何预训练权重,采用Apache-2.0许可。输出为24 kHz单声道;PyTorch权重18.2 MB,ONNX导出21.4 MB,附带5.4 MB音素化数据,并提供浏览器演示。按页面说明,它在四个CPU线程上约为实时的70倍,训练成本在10美元量级。需要说明,以上均来自模型卡与作者的公开描述,目前没有看到第三方独立复测。

为什么重要

当前多数高质量TTS依赖大模型和GPU推理,而这套方案走的是另一条路线:先用轻量Transformer预测音高、清浊与能量,再用一个仅约2.6万参数的源滤波器合成器逐帧(256采样点,约10.7 ms)生成波形,绕开了神经网络声码器。模型小、权重不到20 MB,意味着推理可以放进浏览器WebAssembly或移动端,不必把音频上传到云端。对强调延迟、离线可用和隐私的AI应用来说,这是一条值得跟踪的轻量技术路线;但它只支持两个音色、单一语言,不能替代主流商业TTS。

对用户/开发者/创作者的影响

开发者可以直接调用PyTorch或ONNX接口,输入音素id与重音标记,并调节语速、音高偏移和音高范围;官方仓库的Python推理按句切分并拼接音频,单次最长512个token、约32秒。创作者可用于原型配音、无障碍朗读、设备端提示音等场景。需要注意两个细节:文本需以标点结尾,否则末词会被截断;约二十分之一的句子峰值会略超1.0,写入16位音频前需做缩放,否则会削波。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是开发者社区是否会复现70倍实时与音质表现;二是是否扩展更多语言和音色、开放微调流程;三是ONNX与浏览器端路线在真实移动设备上的延迟和内存占用能否稳定。

来源:Hacker News · 24h最热

celebrityanime
celebrityanime
文章: 36045

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注