Hustfyb

中文语音合成(TTS)模型,支持语音克隆与数字/中英混读,CPU 优先设计,权重原生 int8 量化。 基于 Kyutai Pocket TTS 架构:6 层 FlowLM(dmodel 1024)+ Mimi 神经音频编解码器(24 kHz),端到端流式推理。本版本(R21)相对上一代的核心变化: - 原生 int8 交付:FlowLM 注意力与 FFN 权重已离线量化打包,无需运行时转换,体积 223 MB,CPU 速度提升约 1 倍 - 9174 token 词表:官方英文 BPE-4000 基底 + 追加单字汉字/全角标点,bytefallback 兜底生僻字符 - 中英混读:APP、VIP、5G、WiFi 等英文术语按中文习惯读法 - 模型为预量化 int8 权重(modelint8.pt),加载即用,无需 quantize=True 或有界面演示(需 pip install gradio): - 采样温度 temp=0.3(默认);文本越长对参考音频质量越敏感 文本准确性用 whisper-small 对合成音频转写后计算字错误率(CER),每个场景 10 次独立采样取均值,生产配置(单步采样)。数值越低越好。 测试环境:Intel i7-12700KF,生成 52 字客服长句(约 8.5 秒音频),每档 3 次取均值。 参考音频:客服目标音色(kefulong / digitsorder / codeswitch / shortunseen)与 AISHELL-3 说话人 A/B(speakerAlong /…