Kokoro TTS 作者再出 9 个 CPU 实时小声音模型,蒸馏自 Phonom
mesmerlord · reddit · 2026-10-29
- Kokoro TTS 的作者回归，发布了约 9 个新的小型、可在 CPU 上跑出约百倍实时速度的声音模型。
- 直接蒸馏 Kokoro 其他声音效果很差、机械感重，只有默认的 afheart 质量过关；于是作者转而从 Phonom（40M 参数、比 Kokoro 的 80M 更小，但完整版只有 2-4x 实时、100MB fp32）蒸馏声音。
- 意外发现：agent 实际复用的是与 Kokoro 相同的 phenomizer 流程，只是用 Phonom 渲染的输出做训练数据。
- 长期目标：用擅长声音克隆的大模型（如 BreezeTTS、Fishaudio）生成声音样本，蒸馏进小模型，得到可在手机端实时运行、可克隆声音的微型模型——为其 AI 角色扮演应用省掉按字符计费的 TTS 成本，克隆一个声音只需几小时 4090 训练。
- 目前 Wren（Phonom 默认）和 Hugh 表现最好，其余声音略有机械感但明显优于 PocketTTS 等同类小模型。
「多模态」频道最新
- 用 Claude vibecoding 出 ComfyUI 作品库节点：自动归档生成结果 — LaurentLaSalle · 2026-10-29
- Civitai 模型许可分析:绝大多数模型可合法免费转载,Buzz 付费墙拦不住 — ArtyfacialIntelagent · 2026-10-29
- 同款 Seedance 2.5 生成 10 秒视频：Sunra 比 Higgsfield 便宜一半 — hey_abusiddik · 2026-10-29
- Higgsfield 推出精选栏目，首个作品 MADSEASON 全部开源 — CurieuxExplorer · 2026-10-29
- Wistia 近 20 年来最兴奋发布：AI 视频编辑器 Mochine 上线 — Scobleizer · 2026-10-29
- Fizgig H3 静态图 Latent 节点可嵌入任意 ComfyUI 工作流 — robertwellesley · 2026-10-29