Mach Boom 是把 Gradium 的 Phonon 31m 英文语音合成模型压到每权重 3.5 位的版本,模型文件 18.2 MB。作者在 4 核 Xeon 虚拟机上测得单核约 8.3–8.4 倍实时、峰值内存 93 MB,流式首段音频 61–78 毫秒;在满是数字、日期、金额、编号的 250 句英文难句上,作者称词错误率 5.18%,低于原版 fp32 的 8.61%。自带 4 个音色,也能用 phonon-voices 里的音色文件。
为什么重要 体积小、无需显卡,适合嵌进本地应用或边缘设备读出日期、金额、编号这类难读文本。
抱脸点赞 3 · 抱脸上升分 3 · 抱脸下载 0
许可证:可商用 · ComfyUI:暂无 · 显存:≈1 GB 估算
理由
- Apache-2.0 许可可商用,测试方法、转写模型和对比对象都写在模型卡里
用法
- hf download SyzygyResearch/Mach-Boom 后 pip install numpy tokenizers,运行 python tts.py "文本" -o out.wav --voice Zoey;首次运行会为本机 CPU 编译内核
风险
- 只支持 Linux x86-64 和英文;需要 gcc 或 clang
- 评测由作者完成,难句集来自 Gradium 自己的数据集