开源实时流式 TTS 模型 Gepard 1.0 发布
ylankgz · reddit · 2026-07-08
团队开源实时流式 TTS 模型 Gepard 1.0（Apache 2.0），面向实时对话场景。采用流式优先设计——文本到达即开始逐帧生成音频，无需等待整句。 参数量约 5.55 亿（Qwen3.5 0.8B 主干 14 层 + Nemo NanoCodec，22.05kHz），单张 RTX 5090 上可达约 20 倍实时率、约 50ms 首音频时延，单张 RTX Pro 6000 Blackwell（96GB）支持最多 256 路并行，支持少秒级参考音频的零样本语音克隆，覆盖美/英英语、墨西哥西语、巴西葡语、荷兰语。 在 Seed-TTS-eval 上与 VoxCPM2、Fish-S2、OmniVoice、Qwen3-TTS、Echo-TTS、Chatterbox Turbo 对比，感知质量 NISQA-MOS 领先（4.25），噪声/着色/不连续项最干净；诚实权衡是流式优先设计牺牲了说话人相似度（SIM 0.585）和 WER（0.036）。