没听过真人,这个小模型还是学会了说话

「没听过真人,这个小模型还是学会了说话」tiny-voca 这个项目最有意思的,不是“又一个 TTS”,而是把语音合成的门槛压到了一个很反常识的位置:4.5M 参数、18MB 体积、CPU 可跑,训练数据还不是录音棚里采来的真人语音,而是只用更大模型生成的 19 小时合成音频完成训练。
作者还专门做了自己的 phonemizer,让它能按上下文读数字、日期和金额,比如 RTX 4090 读成“forty ninety”,$4,090 读成“四千零九十美元”,这说明它追求的不只是出声,而是尽量把文本规范化和发音决策一起做小做轻。
更夸张的是成本:一张租来的 RTX 4090 跑了 24 个 GPU 小时,总花费 9.56 美元,最终模型本体训练只占其中 7.7 小时,约 3 美元,其余主要耗在数据集生成、失败尝试和测试上。
作者把代码、权重、数据集和训练配方都开了出来,也直说这个项目建立在 Qwen3-TTS 之上,连训练音频和两种声音设定都来自它。
它真正打动人的地方,不是音质是否一步到位,而是证明了一件事:在开源大模型托底之后,很多过去必须重资产、重数据、重算力才能做的语音能力,正在被压缩成个人开发者也能负担的小工程。
GitHub:n4ze3m/tiny-voca Demo:h tiny-voca.n4ze3m.com/ http://t.cn/AXYkIwHN

分类