0.6B 也能做零样本克隆：Edge0 把 TTS 的真实感交给批评器

Edge0 发布了 Audio8-TTS-Realistic。模型参数 0.6B，开放权重，许可证 Apache 2.0。它支持 23 种语言，主打零样本声音克隆：给一段参考音频，不用针对这个说话人再做微调，模型直接生成目标音色。

据 MarkTechPost 的 Asif Razzaq 报道，这个模型训练的最后阶段加入了 GRPO，由学习到的真实感批评器驱动。翻成直白的话：模型不只追求“像参考音频”，还要用一道专门判断真实感的评分机制，把输出往更像真实录音的方向拉。TTS 的老问题就在这，音色像了，语气、停顿、呼吸感仍可能露馅。

0.6B 是个值得看的数字。语音克隆过去常和大模型、大算力绑定，开放权重的小模型把试验门槛往下压。参数小不代表能力弱，训练目标、数据质量和后训练策略更关键。Audio8-TTS-Realistic 把“真实感批评器”放进训练收尾，说明团队盯的不只是音色相似度。

对开发者，Apache 2.0 降低了采用和改造的门槛，23 种语言也给了多语场景一个现成起点。具体部署成本、推理速度、声音相似度和自然度，素材没有给出基准，实际效果还得看模型卡和试用。合规仍要看依赖、模型卡和当地法规。

对普通用户，零样本克隆意味着更少的素材就能复制声音。演示会越来越顺滑，滥用也会更便宜。语音克隆的门槛继续往下掉，授权和防滥用的门槛不会跟着掉。

原文链接：MarkTechPost