Pocket TTS：CPU 上 5 秒克隆任意声音
gvij · reddit · 2026-07-06
法国 Kyutai 的 Pocket TTS 是约 1 亿参数的流式语言模型，经 Mimi 神经编解码器生成音频 token，无需 GPU 即可用 5 秒参考音频零样本克隆任意声音，MIT 许可、pip 即装。作者将其与 Kokoro、Supertonic、Inflect-Nano 三款 CPU TTS 模型对比，180 次定时测试显示其延迟随文本长度几乎不变（RTF 0.69-0.76）、支持流式输出，虽为四款中最慢却最具特色。
所属事件:Kyutai开源可在CPU端运行的声音克隆模型Pocket-TTS(4 条相关)→
「多模态」频道最新
- ComfyUI Krea2 风格提示词节点复活：新分支更新大规模风格库 — Winter_unmuted · 2026-10-27
- 无 LLM 调用的「创意生成器」：单个 HTML 文件在浏览器内产出复古海报 — Afinetheorem · 2026-10-27
- 网友用 Copilot 想象并归档自己的 80/90 年代冬季穿搭概念 — Valuable-Sky2134 · 2026-10-27
- 开源钢琴转写模型 Transkun 实测:连延音踏板事件都能准确识别 — alexanderchen · 2026-10-27
- fal 上线 FLUX 3 Image Klein LoRA 训练:支持 10 张参考图、单请求叠加 3 个 LoRA — OdinLovis · 2026-10-27
- 女朋友总想挤痘？网友用 AI 把她自拍做成可玩广告游戏 — CurieuxExplorer · 2026-10-27