Edge0 的 0.6B 多语种语音合成模型，是 Audio8-TTS-Preview 的改进版：给一段参考录音和它的逐字稿就能零样本克隆音色，也可以不给参考直接合成；支持中文、粤语、英、日、韩等 23 种语言（比 Preview 多 12 种），输出 44.1 kHz 音频。
上升分 118 · 点赞 119 · 下载量 813
理由
- 沿用 Fish Audio S2 Pro 的 DualAR 结构：慢自回归每帧预测一个语义 token，快自回归补出 10 个码本；主模型 601M 参数（不含随仓库附带的 44.1 kHz 编解码器），仓库里检查点、编解码器、分词器和代码齐全。
- 官方称 Seed-TTS 中英错误率 1.25（Preview 1.23）、说话人相似度 0.704（Preview 0.682）；MiniMax 24 语种错误率 5.89，好于 Qwen3-TTS-1.7B 的 27.41，但不如 4B 级的 Higgs Audio v3（2.74）和 Fish S2 Pro（4.40）。官方也写明这些指标只衡量可懂度和音色相似，不直接衡量“逼真”。
- 有免安装的抱脸 Playground，SGLang Omni 插件提供 OpenAI 兼容的 /v1/audio/speech 接口；Apache-2.0，此前各期没有收录。
用法
- 命令行：git clone Edge0-AI/Audio8_TTS，pip install -r requirements.txt，python audio8_tts_infer.py --model Edge0/Audio8-TTS-Realistic-0.6b --text "要合成的文字" --output outputs/realistic.wav；克隆音色加 --reference-audio reference.wav --reference-text "参考录音的逐字稿"（必须与录音内容完全一致）。
- Transformers（4.57 到 5 以下，trust_remote_code=True）：processor 传 text、reference_audio、reference_text，generate 用 temperature 0.8、top_p 0.95、top_k 50，再 model.decode_audio 解码成波形。
- 长段落要拆成短句：参考音频、逐字稿和目标文本共用 2,048 个位置的上下文。
风险
- 各语言质量差别大：CV3 上泰语错误率 48.574、芬兰语 32.279，MiniMax 集上粤语 31.349；支持列表不代表各语言同等可用。
- 官方只在 H20 BF16 上做过能否运行的检查，吞吐和流式都没有测；可能出现读错、重复、漏字或提前结束，官方提醒成品前要逐条试听。本栏目没听过示例。
- 克隆他人声音需取得授权，并按需标注合成音频。