21M 参数小模型覆盖 8 种非洲语言 TTS,仅 40MB 支持离线运行
strickvl · x · 2026-11-18
开发者 samuelolubukun 发布 Murivo-TTS Octa:一个仅约 21M 参数(约 40MB)的超轻量多语言 TTS 模型,覆盖斯瓦希里语、豪萨语、约鲁巴语、伊博语等 8 种非洲主要语言,提供 41 个音色,已上线 Hugging Face。
- 架构:约 20.9M 参数的 Flow-Matching DiT 声学骨干 + VoxCPM2 48kHz Causal AudioVAE 声码器,8 层 Diffusion Transformer 带 RoPE Aligner。
- 性能:输出原生 48kHz 音频,在标准 GPU 上比实时快 13–21 倍;边缘/移动端另有约 15.5MB 的 INT8 ONNX 版本,可完全离线运行。
- 训练:从英文 21M DiT 骨干热启动,数据来自 Google WaxalNLP 广播语料、NaijaVoices 及专门录制的约鲁巴语等;采用分层多语言批次与独立说话人条件槽,避免声调与非声调语言间的音色串扰;时长头设 160ms 下限。
- 许可:Apache-2.0 开源。
「多模态」频道最新
- 前配音演员推出可逐句调控情绪语速的 AI 语音产品 Voyager 1 — Scobleizer · 2026-11-18
- 用 MiniMax H3 重现《爆裂鼓手》排练室紧张氛围 — hucun16 · 2026-11-18
- 用 Claude 加 Unreal Engine 5.9 MCP,一天做出游戏续作原型 — TomLikesRobots · 2026-11-18
- Suno 推出 Visuals 功能,AI 音乐自动配 AI 生成的画面与视频 — The Decoder · 2026-11-18
- Osmo 宣称 AI 嗅觉达到人类水平:1000 万条气味标注训出首个嗅觉基础模型 — MIT Tech Review AI · 2026-11-18
- AURA 2.0 发布:流式视频模型学会主动开口说话并调用工具 — Shuhan Li · 2026-11-18