仅 140 万参数的 CPU 级 TTS:PiVo 开源双声线语音栈,含声码器

pmttyji · reddit · 2026-11-02

empero-ai 在 Hugging Face 发布 PiVo-1.4M,探索「一个语音需要多少参数」:整条 TTS 栈共 1,401,562 个学习参数——584,965 参数的声学模型预测声码器特征,816,597 参数的 FARGAN 衍生声码器输出 16 kHz 单声道音频,提供 Pi 和 Vo 两个英文声线。推理全程本地 CPU 运行,只用 NumPy 和 ONNX Runtime,无需 PyTorch、教师模型、说话人编码器或联网。作者定位为研究模型:语音可懂度好,但部分句子仍有金属感/机械感,技术报告披露了测量与尝试过程。