tiny-voca 以 Apache 2.0 开放:4.5M 参数的英文 TTS 模型,在 4 个 CPU 线程上约 70 倍实时
一个个人开发者发布的极小语音合成模型,整个模型约 20 MB,可以放进浏览器或手机。这一条讲它的规模、训练数据和局限,适合想把朗读功能做到端侧的团队。
// 要点
- 包含声码器在内共 4,537,291 个参数,从零训练,未使用任何预训练权重,训练数据约 18 小时合成语音。
- 提供 F2(女声)与 M2(男声)两种美式英语音色,输出 24 kHz 单声道;文本先由作者的 dizione 音素器转换为音素。
- 提供 18.2 MB 的 PyTorch 权重和 21.4 MB 的 ONNX 导出(float32,opset 17),模型卡附 SHA256 校验值;推理脚本按句处理任意长度文本,支持语速与音高调节。
开发者视角只有英文、只有两种音色,又是个人项目,直接进中文产品不现实。但智能面试的英文练习模式如果只需要朗读题目,一个 20 MB 的端侧模型就能省掉一次服务端 TTS 调用;先听样例、按模型卡校验哈希,再和今天 DeepSeek TTS 的限时价算一笔账。