开源全双工语音模型 caramel-1：413M 参数纯语音训练，音似真人仍语无伦次
alexcovo_eth · x · 2026-11-12
开发者 naklecha 发布了开源全双工语音模型 caramel-1，413M 参数，权重、Apache-2.0 代码和完整训练方案全部开放。
- 架构类似 Moshi，直接在语音到语音上训练，不经文本转换，让模型学会边听边说
- 音色非常像真人，但还不能进行连贯对话；公开 demo 是两个模型副本互相对话
- 数据就绪后训练仅需约 2 小时 15 分钟（约 4 GPU-hours），数据准备是更大的工程
- 技术博客完整覆盖架构、数据准备、训练流程与实验，可复现
所属事件:开源全双工语音模型 caramel-1：413M 参数，音似真人尚难连贯对话(2 条相关)→
「多模态」频道最新
- 一条提示词不到一小时,Claude+Blender MCP 生成可玩 3D 游戏 — StrainNo9529 · 2026-11-12
- 一条提示词一小时做出 3D 动作游戏：新版 Fable 实测惊艳 — Cojj25 · 2026-11-12
- 开源离线语音克隆应用 Izwi：Rust 编写，16GB M1 Pro 可跑 — zinyando · 2026-11-12
- 开源 TRELLIS Studio：本地图像生 3D、自动绑骨加 83 套动画 — North_Vegetable8462 · 2026-11-12
- MiniMax H3 Image 生成 3D 游戏场景仅 10 秒,比 GPT Image 快 3 倍 — HeyToha · 2026-11-12
- 个人开源世界模型：任意图片变实时可控交互视频，RTX 3060 可跑 — lucidml_lover · 2026-11-12