tiny-voca:4.5M参数的双声线英语TTS模型
NEW一个从零训练的小型英语文本转语音模型,4.5M参数、18MB,提供F2女声与M2男声,可在CPU或浏览器中运行,代码、权重与训练数据均开源。
tiny-voca 是一个小型英语文本转语音模型,参数量约 450 万(4,537,291),文件约 18 MB,内置波形生成器,可在 CPU 或浏览器中运行。它提供两个固定声线:F2(女声)与 M2(男声),美式英语,采样率 24 kHz,四线程 CPU 上约达到 70 倍实时速度。
推理可通过 PyTorch、ONNX Runtime 或 ONNX Runtime Web 进行。命令行支持从文本或文件读取输入,可调整语速、音高偏移与音高起伏;长文本按句切分生成后拼接,无标点结尾会补句号,无法朗读的句子会被跳过,输出峰值不超过 0.99 以避免 16 位 WAV 削波。浏览器演示会逐句播放并保留完整音频。
项目公开代码、权重、训练配方与数据集,权重在单张 RTX 4090 上训练 7.7 小时。限制包括:仅支持英语、两个固定声线、不支持声音克隆、暂无流式输出,外国名字与特殊拼写常读错,F2 声线听感比预期更年轻。代码与权重采用 Apache-2.0,数据集采用 CC BY 4.0。