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）。
所属事件:开源实时流式TTS模型Gepard 1.0发布(2 条相关)→
「多模态」频道最新
- Muse Wonder 分块 + SAM 3.1,一粒不漏分割整根玉米粒 — nikhilaravi · 2026-10-26
- LichtFeld Studio v0.5.4.3：社区贡献的 SteadySplats 等新功能上线 — janusch_patas · 2026-10-26
- 一次 prompt 直出 2-3 分钟旁白短片,作者实测 Antigravity 生成效果 — AI_Andrew · 2026-10-26
- 用户用 Gemini 全家桶做万帧动画短片：写、画、配音、配乐一条龙 — AI_Andrew · 2026-10-26
- FLUX.3 Klein 蒸馏到 4-8 步出图，CFG 直接烘进模型 — Fit-Structure-6489 · 2026-10-26
- ostris 预训练新 VAE「Primal VAE」:单通道潜空间实现等效 8 倍压缩 — ostrisai · 2026-10-26