模型发布2 分钟读完Hacker News

tiny-voca:4.5M 参数 TTS 模型,CPU 上 70 倍实时速度,训练成本仅 10 美元

速览

tiny-voca 是一个仅 4.5M 参数的英文文本转语音模型,在四线程 CPU 上运行速度约为实时的 70 倍。模型从零训练,使用了约 18 小时的合成语音数据,训练成本约 10 美元。对于需要轻量级、低成本语音合成的开发者而言,这是一个可直接在浏览器或手机上运行的实用选择。

tiny-voca 包含两个固定英文声音(F2 女声和 M2 男声),不支持声音克隆。模型架构由一个 transformer 编码器(4 块)、时长预测器和两个帧级 transformer(2 块和 5 块)组成,所有块均使用 192 通道、4 头注意力。波形生成采用源-滤波器合成器而非神经声码器,该部分仅 25,862 参数。

训练数据全部为合成语音,由 Qwen3-TTS VoiceDesign 根据文本描述生成声音,Qwen3-TTS 1.7B Base 生成录音,不涉及真实说话人。音素时长通过强制对齐工具标注,模型不含任何预训练权重。

在 Open TTS Leaderboard(2026 年 11 月 16 日快照,英文,无声音克隆)上,M2 排名第 8,F2 排名第 13。开发者指出,声音清晰但略带合成感,F2 声音听起来比预期年轻。

  • 支持在浏览器(onnxruntime-web)和移动端运行,PyTorch 与 ONNX 输出音频的峰值振幅差异在 0.6% 以内。
  • 文本转音素由配套工具 dizione 完成,支持任意长度文本,自动按句切分。
  • 提供了命令行工具和 Python API,可读取文本文件生成音频,输出 WAV 文件。

原文A 4.5M-parameter TTS model runs 70x real-time on CPU and cost just $10 to trainhuggingface.co

#TTS#开源#高效训练

本文由程序自动抓取公开报道,经 AI 筛选与改写生成,未经人工逐条核实,事实以原文为准。