开源 TTS 模型 Tontaube V1.1 发布:4-bit 版桌面 CPU 即可近实时运行
EAVDR · reddit · 2026-11-14
Tontaube V1.1 发布,一款面向长文本音频(有声书、文章、语音 agent)的开源权重 TTS 模型,支持零样本声音克隆。
核心规格
- 约 2.9B 参数,自回归架构,生成时流式输出音频;从 5–60 秒参考音频克隆声音,内置 46 个音色
- 主要支持英语和德语,西/法/意/荷/葡语可用但未经母语者校验;长文本按句子切分拼接,可整章输入
- 盲听测试(400 组对比)中,V1 的韵律约 70% 场景胜过 Fish Audio S2 Pro,V1.1 是其后训练版本
部署门槛大幅降低
- 默认 4-bit GPTQ 版本仅 1.8 GB 下载、约 4 GB 显存即可加载,长文本峰值约 6.5 GB
- 无 GPU 也能跑:12 核桌面 CPU(Ryzen 9 5900X)约实时速度,受内存带宽限制,需 AVX2
- RTX 5090 单请求约 13 倍实时(批量 21–23 倍),流式首音频约 190 ms;3090 约 6–7 倍
- 自带 Triton/AVX2 内核的 HTTP 服务(端口 8080,支持 SSE/WebSocket),另有浏览器界面,无需 vLLM/llama.cpp
V1.1 新增:语速、停顿、语调、音高、吐字五个风格滑块;4-bit 版与 CPU 路径;音频清理适配器
限制与许可:仅 Linux x86-64(NVIDIA RTX 30 系+或 CPU,Windows 走 WSL2),无 macOS/AMD 支持;会话式台词不如有声书稳定;代码 Apache 2.0,权重社区许可——研究和个人免费,年收入低于 20 万欧元的商用免费但需署名。
「Infra」频道最新
- 从 25% 到 100%：开发者把全部 agent 工作流搬进 Mac Mini 本地跑 — josh_bickett · 2026-11-14
- 英伟达为 AI 客户兜底 5300 亿美元，这笔循环融资的算术能撑住吗 — iamKierraD · 2026-11-14
- RTX 5070 Ti 超频与启动参数对 ComfyUI 出图速度实测:结果意外 — AnalElder · 2026-11-14
- Bernstein 测算：Neocloud 每兆瓦收入约为比特币矿企的 6 倍 — Beth_Kindig · 2026-11-14
- ZONOS3-Mini 发布:MoE 架构 TTS 可在手机和 MacBook 上实时运行 — cocktailpeanut · 2026-11-14
- 「推理元素周期表」梗图:12 种 LLM 推理技术一图看懂 — sophiamyang · 2026-11-14