Wink Pings

4.5M参数的语音模型,9.56美元训练完,为什么有人拿它和Apple转录比

tiny-voca用18MB在CPU上跑出70倍实时语音合成,训练一晚花9.56美元。Gregor Zunic说它比Apple转录好,评论区先纠正了TTS和STT的区别。

一个4.5M参数的英文TTS模型tiny-voca,在单张RTX 4090上训练7.7小时,总项目成本9.56美元。它只有18MB,能在CPU上跑,约70倍实时。

这是Nazeem做的。代码、权重、数据集和训练配方都放出来了,Apache-2.0。演示页面在浏览器里直接跑,输入的文字不离开设备。模型带自己的phonemizer,能读数字、日期和货币。Nazeem举例,“RTX 4090”读成“forty ninety”,“$4,090”读成“four thousand and ninety dollars”。

Gregor Zunic转发时说,4.5M模型训练一晚,比Apple transcription好得多,Apple在干什么。评论区很快纠正:这是TTS,Apple transcription是STT。两个任务。有人还指出,让ASR对大量口音 robust,需要更多数据和容量,不能直接拿一个固定两个声音的TTS来比。

另一个争议是“蒸馏”。有评论说它不是从零训练。模型卡写得很清楚:没有预训练权重,训练数据是17.6小时合成语音,16,018条clip,由Qwen3-TTS生成。如果这叫蒸馏,蒸的是数据,不是权重。

限制也列得明白:英文only,两个固定声音F2和M2,无声音克隆,无流式,同一段文本总是同样读法,外国名字和不常见拼写经常读错,F2声音比设计时偏年轻。训练数据本身是合成的,所以它不可能比生成数据的模型更自然。

但18MB在CPU上跑,意味着一个应用可以把离线语音合成直接塞进去,不用API调用。这个尺寸本身就是信息。Apple被拉出来比较,说明时间线对本地小模型的期待已经变了。比较对象错了,讨论就偏了。

想试的话,浏览器demo打开就能输入文字:https://tiny-voca.n4ze3m.com 模型在HuggingFace:https://huggingface.co/n4ze3m/tiny-voca 代码在GitHub:https://github.com/n4ze3m/tiny-voca

tiny-voca成本 breakdown

发布时间: 2026-11-16 20:32