仅 11.84MB 的可操控 TTS 发布：WER 不变，CPU 上 19 倍实时
Working_Hat5120 · reddit · 2026-10-23
WhissleAI 发布 SteerTTS 的 edge 版本，把应用需要打包的全部内容（权重、音色、文本前端、Python 运行时）压缩到 11.84MB，开源在 Hugging Face。
做法：9.25M 参数声学模型（attention + 双向 Mamba-3）与 6.2M 参数 Vocos 风格声码器均做 int4 量化感知训练；文本前端纯 numpy 实现，运行时不依赖 NLTK/g2pen/torchaudio。
质量：Seed-TTS WER 维持 0.96%，UTMOS 仅降约 0.1（几乎全来自 int4 声码器）；12 个数字控制项（语速、响度、音高、停顿、气声等）量化后仍保留至少 95% 的 fp32 效果，另有 50 个风格标签和行内标记（如 <slow>、<whisper>、[pause 400ms]）。
速度：纯 CPU（2018 Threadripper）RTF 0.053，约 19 倍实时，首音频约 120ms，支持句级流式。
局限：仅英语、200 音色、无声音克隆；权重加载时反量化为 fp32，优势在体积而非速度。作者征集声码器质量反馈及 ONNX/移动端/WASM 等目标建议。
「多模态」频道最新
- Suno 官方盘点五个鲜为人知的隐藏功能 — suno · 2026-10-23
- Meshy 联动 Hermes：$1 买一个月 Pro 含 API 额度 — Teknium · 2026-10-23
- Customuse 推出几何感知 Smart Mesh AI，一键给角色换装 — SimplyAnnisa · 2026-10-23
- AI 生成电影海报《The Chase》：狼、飞机、肌肉车同框的疯狂追逐 — Aggravating-Sir-115 · 2026-10-23
- ElevenLabs 推出 Chimera：Eleven v4 语音加 Seedance 视频让角色开口说话 — AIwithGhotai · 2026-10-23
- 用开源模型+Claude 把一段网球视频变成世界级教练 — tweetsatpreet · 2026-10-23