开源 TTS 项目 Scylla's Band v4：131M 参数能在手机唱歌，英语 WER 仅 0.85%
clockentyne · reddit · 2026-11-07
开发者历时近一年的单人项目 Scylla's Band v4 发布，是一个小巧、可在手机端运行的开源 TTS 模型，还能照 JSON 乐谱唱歌（目前唱歌仅支持英语）。
规格
- 约 131M 参数（另有 30M 音素化器），14 个音色，支持英语（美/英）、西班牙语、法语、德语、意大利语、越南语，所有音色可说所有语言。
- 支持每句的强度/语速/音调控制、内联标签的多音色对话、流式输出；唱歌通过 JSON 乐谱逐词指定音符和节拍，支持流行/抒情。
性能
- 首音频延迟：M5 Max 约 30ms，iPhone 17 Pro Max 70ms，Galaxy Z Fold 8 120ms（纯 CPU）；桌面 CPU 上超 30 倍实时。
- Open TTS Leaderboard 评测：英语 WER 0.85%，UTMOS 4.35（提交审核中）。
- Apache 2.0 开源，提供 PyTorch 权重及 LiteRT、Core ML、ONNX Runtime、WebGPU 移植，含处理文本规范化的 C++ 运行时和 Python/iOS/Android 示例。
局限：不支持声音克隆，偶有读错词，唱歌在大幅度快速音高变化时部分音色会失真。
「多模态」频道最新
- 实测 ChatGPT 去像素化:效果已远超 2020 年老图,但难复原真相 — flowersslop · 2026-11-07
- Reddit 用户用 Vpipe+MiniMax+YuE 造出黑白短片概念验证 — coberholzer · 2026-11-07
- Inkling 2 Small 用代码直接生成视频加音频，三家模型同题对比 — VictoriaLinML · 2026-11-07
- Dials：免训练为 MiniMax H3 造一个 14KB 的视频属性滑杆 — PurzBeats · 2026-11-07
- LoRA 训不好先别怪参数：换一个微调底模可能立刻变好 — Inevitable_Pen9043 · 2026-11-07
- 开发者用 Scenario 的 MCP 为游戏自动生成废墟与异星传送门 — AIandDesign · 2026-11-07