Kyutai 把 TTS 缩到 18.2M：音质反超原版，CPU 单线程快 9.9 倍

Kyutai 10 月 20 日放出一组比原版小得多的 Pocket TTS 模型。原版是 ~100M 参数、带声音克隆、能在 CPU 上实时的语音合成模型；这组里旗舰 18.2M，最小 1.9M，全部在单线程 CPU 上跑，代码与训练流程开源（MIT 许可，仓库 kyutai-labs/pocket-tts）。作者的标题写得很直白：那个「很小的 TTS」其实比需要的大了 10 倍。

评测在 LibriSpeech test-clean 的 1,127 句上做，三个指标：语音识别器对输出的词错率 WER、自然度估计 UTMOS（1–5）、与音色提示的说话人相似度 SIM，每个数字取 3 个随机种子的均值。原版 ~100M：WER 0.92%、UTMOS 4.364、SIM 0.923、2.8 倍实时。旗舰 18.2M：0.85%、4.339、0.918、9.9 倍实时；加奖励微调后 WER 降到 0.82%、UTMOS 升到 4.400。再往下 6.9M 是 0.90%/4.356、12.6 倍实时；1.9M 是 1.72%/3.906、25 倍实时（奖励微调后 1.27%/4.012）。参数量含解码器：原版解码器 10.3M，这批蒸馏版用 2.6M。

训练用 HiFi-TTS-2 的 1,130 万条公共有声书语音，分阶段各 10 万步、每步 64 条语句，作者称每个阶段都收敛到稳定。他们的判断是这套压缩手法对不同架构也通用。放到使用场景里看，变化是从「调云端语音 API」变成「一个几十 MB 级模型跑在设备本地」——同样的音质与音色克隆，延迟和单价都落到本地算力上。

原文链接：Kyutai 官方博客