原题：Edge0/Audio8-TTS-Realistic-Air
Edge0 在 Audio8-TTS-Preview-0.6b 上继续训练的语音合成模型：主模型 0.6B（601,159,424 参数，不含另带的 44.1 kHz 编解码器），作者称说话更自然、韵律更有表现力；支持 23 种语言，比 Preview 新增阿拉伯语、芬兰语、印地语、印尼语、马来语、挪威语、葡萄牙语、俄语、瑞典语、泰语、土耳其语、越南语 12 种，中文、粤语、英、日、韩都在内。给一段参考录音和逐字转写可零样本克隆音色，也能不给参考直接合成。结构是参照 Fish Audio S2 Pro 的 DualAR：慢 AR 每帧预测一个语义 token，快 AR 预测该帧的 10 个码本。10 月 14 日建仓，前几期没有收录。
上升分 252 · 点赞 318 · 下载量 11349
理由
- 小模型、多语种：作者称 Seed-TTS 中英平均错误率 1.25%（Preview 1.23%）、说话人相似度 0.704（Preview 0.682）；CV3 八种共有语言的错误率从 4.80% 降到 4.56%。作者也写明这些指标衡量的是可懂度和相似度，不直接衡量“真实感”。
- 部署路径完整：Transformers 直接加载（编解码器已打包，不用另找），另有 SGLang Omni 插件提供分页注意力、动态批处理和 OpenAI 兼容的 /v1/audio/speech 接口；GitHub 仓库还有命令行、批处理和监督微调脚本。
- Apache-2.0，有 ZeroGPU 在线试用 Space；抱脸点赞 318（只代表关注度）。
用法
- pip install "torch>=2.5.0" "torchaudio>=2.5.0" "transformers>=4.57.0,<5" soundfile safetensors；AutoProcessor / AutoModel.from_pretrained('Edge0/Audio8-TTS-Realistic-Air', trust_remote_code=True)，克隆时给 reference_audio 和与录音逐字一致的 reference_text，generate(max_new_tokens=1024, temperature=0.8, top_p=0.95, top_k=50, do_sample=True, return_dict_in_generate=True) 后用 model.decode_audio(output.codes) 写成 wav。
- 不要参考音色时 processor 只传 text；参考录音要干净，长文本拆成几段再合成（参考音频、转写和目标文本共用上下文）。服务化用 GitHub Edge0-AI/Audio8_TTS 的 sglang_omni 配置 audio8_tts_0_6b.yaml，模型路径填本仓库。
风险
- 语种之间差别大：作者 CV3 表里中文 CER 1.814%、英文 WER 2.907%，泰语却是 48.574%、芬兰语 32.279%、越南语 28.111%；中文难例 CER 比 Preview 还略高（11.510% → 12.797%）。
- SGLang 服务只验证了在 H20 上能跑（非流式、关闭 torch.compile 和 CUDA Graph），没有测吞吐和流式。作者提醒可能有读错、重复、漏字或提前停止，成品前要逐条试听。
- 克隆别人的声音要先取得许可，合成音频要按场合标明；卡里没有提到水印。