2026年11月14日,模型
n4ze3m/tiny-voca 在 HuggingFace 上发布——这是一个面向英语的紧凑型 text-to-speech,包含两个声音:女声 F2 和男声 M2。完整模型连同信号发生器共有 450 万参数,并在 18 小时的合成语音上从零训练。作者称,在四线程 CPU 上它的运行速度约为实时的 70 倍。权重以 ONNX、NPZ 和 PT 格式发布,许可证为 Apache-2.0。
这意味着什么
在我们的
音频生成器栏目中,text-to-speech 由两个工具代表:
XTTS 和
Fish Speech。两者都明显比 tiny-voca 更重:XTTS 最大的权重文件占 1.7 GB,Fish Speech 为 1.2 GB。作为对比,tiny-voca 的 PyTorch 权重文件重 18.2 MB,ONNX 导出为 21.4 MB。
许可证也不同。XTTS 仅允许非商业使用,Fish Speech 允许年收入不超过 500 000 美元的商业使用,而 tiny-voca 以 Apache-2.0 分发,没有此类限制。同时,tiny-voca 是仅面向英语、只有两个固定声音的模型,而 XTTS 和 Fish Speech 支持声音克隆和其他语言。
tiny-voca 的作者未说明显存要求:该模型面向 CPU,据其所说,甚至可以在手机或浏览器中运行。作为对比,我们指南中的 YuE(YuE(乐))需要 24 GB VRAM,但它是用于生成音乐而非语音的工具。
该方法的构造。示意图根据这篇简讯绘制。