没听过真人,这个小模型还是学会了说话

[复制链接]
发表于 半小时前 | 显示全部楼层 |阅读模式
「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

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关注公众号

相关侵权、举报、投诉及建议等,请发 E-mail:2776601884@qq.com

Powered by Discuz! X5.0 Licensed © 2001-2026 Discuz! Team.|青ICP备2025004122号-1

在本版发帖
关注公众号
返回顶部