kale-tts-1-nano 只有 750 万参数,CPU 用的 int8 文件 14.8 MB,浏览器 WebGPU 用的 fp32 文件 30.6 MB。10 种音色由 Maya-1 按一句文字描述设计、不对应真人;先用 Maya-1 录出 204.7 小时训练语音,再从基于 Kokoro-82M 微调的 kale-tts-1-base 蒸馏韵律规划部分,发声部分是小型谐波加噪声生成器,不用扩散或流匹配。作者称在 Samsung Galaxy Tab S10 Lite 的 CPU 上 44 倍实时、首句 0.09 秒出声,识别器拿不准的词只比 Maya-1 原声多 1.6 个百分点。
为什么重要 为儿童设备做全本地语音而训练,单个文件、一次前向出一句;训练用的 10 种音色语音数据也以 CC BY 4.0 公开。
抱脸点赞 14 · 抱脸上升分 14 · 抱脸下载 256
许可证:可商用 · ComfyUI:暂无 · 显存:显存未标
理由
- 抱脸有在线演示,可以直接试听全部音色;训练数据集 kale-tts-1-data 公开
- Apache-2.0,可商用;想要更好音质可换同系列稍大的 kale-tts-1-tiny
用法
- 先在抱脸 Space KaleComputer/kale-tts-1 里试听,再下载 kale-tts-1-nano.onnx 用 ONNX Runtime 在本机跑(浏览器里用 fp32 文件走 WebGPU)
风险
- 只支持英语;音调与 Maya-1 原声仍有差距(作者给的旋律差距是 7.46 个百分点)
- 模型卡开头还留着「草稿、未发布」的注释,内容可能还会改;性能数字都是作者自测