tiny-voca:只用 CPU 就能跑的英文小语音合成模型

n4ze3m 11 月 14 日上传的英文 TTS 模型,作者称连同波形生成部分共 4,537,291 个参数,输出 24 kHz 单声道,有 F2(女声)和 M2(男声)两种美式英语声音。它用源-滤波合成器代替神经声码器,训练数据约 17.6 小时,全部由 Qwen3-TTS 合成,没有真人录音;提供 PyTorch 权重和可在 onnxruntime-web 里跑的 ONNX 版本。

原题:n4ze3m/tiny-voca

n4ze3m 11 月 14 日上传的英文 TTS 模型,作者称连同波形生成部分共 4,537,291 个参数,输出 24 kHz 单声道,有 F2(女声)和 M2(男声)两种美式英语声音。它用源-滤波合成器代替神经声码器,训练数据约 17.6 小时,全部由 Qwen3-TTS 合成,没有真人录音;提供 PyTorch 权重和可在 onnxruntime-web 里跑的 ONNX 版本。

为什么重要 整个模型只有约四五百万参数、不需要 GPU,适合给离线应用、网页或嵌入式设备加英文朗读

上升分 77 · 点赞 77 · 下载量 40

理由

  • 作者称在 4 个 CPU 线程上约为实时速度的 70 倍,模型卡写明可在手机或浏览器里运行
  • 数据集、训练代码、音素转换工具 dizione 都公开,作者称整个项目在一张租用的 RTX 4090 上花了 9.56 美元
  • 模型卡给了 4 句示例音频(两种声音各一组)、完整参数表和局限说明

用法

  • pip install git+https://github.com/n4ze3m/dizione git+https://github.com/n4ze3m/tiny-voca,下载模型后设 DIZIONE_DATA=tiny-voca/phonemizer,再用 python -m tiny_voca.infer --checkpoint tiny-voca/tiny-voca.pt --voice F2 --text "…" --output hello.wav
  • 可调 --speed(语速)、--pitch-shift(0.058 约一个半音)、--pitch-range;长文本会按句切分后拼接
  • ONNX 版每次最多 512 个音素、32 秒,要先用 dizione 转音素;输出偶尔超过 1.0,保存 16 位音频前按模型卡示例缩放

风险

  • 只支持英文、两种固定声音,不能克隆声音、不支持流式;同一句每次读法相同,外国人名和少见拼写常读错
  • 作者称声音清楚但略有合成感,F2 听起来比设计的更年轻;训练数据本身是合成语音,自然度不会超过生成它的 Qwen3-TTS
  • 评测只有 8–16 句的 Whisper 识别错误率,作者说明只是自检、没做正式听感测试;本条未运行、未试听

打开

Hugging Face Trending

浏览最新 AI 动态