
18 MB 跑进手机浏览器:tiny-voca 用 450 万参数把英语 TTS 做到 70 倍实时
450 万参数、18.2 MB 的英语 TTS 模型 tiny-voca:输入文本输出 24 kHz 语音,四个 CPU 线程约 70 倍实时速度,可跑在手机与浏览器里,Apache-2.0 全链路开源。
相关标签
18 MB 跑进手机浏览器:tiny-voca 用 450 万参数把英语 TTS 做到 70 倍实时
在动辄几十亿参数的语音模型刷屏的年代,HuggingFace 上一个刚满三天的项目反着来:整包模型只有 4,537,291 个参数、18.2 MB,四个 CPU 线程就能以约 70 倍实时速度合成英语语音。它叫 tiny-voca,来自开发者 n4ze3m,Apache-2.0 协议全链路开源。
它是做什么的:tiny-voca 是一个英语文语转换(TTS)模型——输入英文文本,输出 24 kHz 单声道语音。文本先经过配套的 dizione 音素化器转成音素序列,再由模型合成波形,输出提供两个美式英语音色:F2(女声)和 M2(男声)。按官方定位,它能直接跑在手机上或浏览器里,不需要 GPU,也不需要联网调用云端 API。
训练方式同样”轻”:这个模型不含任何预训练权重,完全从零训练,训练数据约为 18 小时的合成语音。仓库同时给出 PyTorch 权重(18.2 MB,float32)和 ONNX 导出(21.4 MB,opset 17),两者都附了 SHA256 校验值;音素化器数据文件也只有 5.4 MB。模型卡里直接放了两组试听样本,覆盖日常问候、时间播报和长句朗读。
可控参数不多但够用:推理时支持语速(–speed)、音高偏移(–pitch-shift,官方注释 0.058 约等于一个半音)和音高范围(–pitch-range)三个调节项。任意长度的文本都能处理——命令按句子逐段合成再拼接,没有标点结尾的文本自动补句号,混入其他文字系统的句子会被跳过而不是报错,输出音频峰值始终压在 0.99 以下。
适合谁用:需要离线语音合成且没有 GPU 预算的场景——嵌入式设备、浏览器内交互、本地自动化脚本配音;对音色丰富度和情感表现力要求不高的工具型应用;以及想完整研究一个小型 TTS 从音素化到波形合成全流程的学习者——模型、音素化器、训练数据集、推理代码和网页试听(tiny-voca-studio Space)全部开放。
在这个”百亿参数起步”的赛道里,tiny-voca 提供了另一个坐标:如果任务只是把英文文本清楚地念出来,几 MB 的模型可能就够了。模型已在 HuggingFace Trending 榜单上获得关注,完整训练与推理代码见 GitHub 仓库。
更多资讯
想看更多优质内容?
浏览所有资讯