手改0.2%权重加CPU训练100分钟,英语TTS模型变身18MB梵语语音
kastnerkyle · x · 2026-11-16
开源项目 Alpa 发布了一个仅 18MB 的梵语文本转语音模型,做法非常反常规:
- 底座是 450 万参数的英语小模型 tiny-voca,作者只手工改写了其中 9600 个数字(约 0.2%),即决定音素映射和音节轻重的两张嵌入表:梵语发音从最近的英语发音出发,英语没有的卷舌音用「70% 最近英语音 + 30% 英语 r」初始化,轻重音对应非重读/重读;其余 99.8% 权重原样照抄。
- 再用 3.5 小时梵语语音数据在四核 CPU 上训练 100 分钟即可,全程零 GPU。
- 模型基于 ONNX、Apache-2.0 协议,可在浏览器端运行;目前是 v0.1 早期预览,单一音色、3.5 小时语音,仅一人耳听加一个识别器校验。
- 作者强调每个样例只生成一次,无挑选重roll;模型读文本而不做吟诵。
「多模态」频道最新
- 网友晒 Qwen 4 Max 生成珊瑚礁作品,模型名尚未官方发布 — intellectronica · 2026-11-16
- Zyphra开源文本归一化工具:TTS结构化数据正确率最高提升22个百分点 — kastnerkyle · 2026-11-16
- Qwen 图像 2.1 与 Minimax H3 实测:老照片修复与写实化转换 — Ant_6431 · 2026-11-16
- Minimax H3 视频生成演示:Cubee 店面镜头第二版 — JahJedi · 2026-11-16
- 不会画画的开发者用 Fable 5.2 四小时做出 14 章手绘风故事书游戏 — jradoff · 2026-11-16
- Minimax H3 Image 训练人物 LoRA 相似度差,同数据集在 Qwen 2.1 上表现优异 — Ad_Organic · 2026-11-16