← 全部模型资讯

Edge0 发布 0.6B 开放权重语音克隆模型 Audio8-TTS-Realistic:23 语、Apache 2.0,泰语 WER 近 49%

据 MarkTechPost 2026 年 10 月 29 日报道,Edge0 发布开放权重 TTS 模型 Audio8-TTS-Realistic:601M 主模型参数、支持 23 种语言,权重与代码以 Apache 2.0 发布,自报 CV3 九语平均错误率 4.86%、泰语 WER 48.57%,并附 SGLang Omni 适配器。

发布 更新

发生了什么

据 MarkTechPost 2026 年 10 月 29 日报道,Edge0 发布 Audio8-TTS-Realistic,这是 Audio8 TTS 系列第二个 0.6B 版本,报道称权重与代码以 Apache 2.0 许可发布。主模型 601M 参数(不含编解码器),仓库打包了检查点、44.1 kHz 神经音频编解码器、分词器、处理器与自定义代码,最多支持 2048 个打包的文本/音频位置,推理接口与前代 Audio8-TTS-Preview-0.6b 保持一致。它凭一段参考音频及其转写文本做零样本克隆,也能在没有参考音色时直接合成。报道称支持 23 种语言,比前代多 12 种,并列出新增的阿拉伯语、芬兰语、印地语、印尼语、马来语、挪威语、葡萄牙语、俄语、瑞典语、泰语、土耳其语和越南语;完整语言清单报道未公布。 架构为受 Fish Audio S2 Pro 启发的双自回归设计:慢分支基于 Qwen2.5 0.5B,24 层、宽度 896,约每秒 21.5 帧,每步预测文本 token 与第一个音频码本;4 层浅层快分支并行预测其余 9 个码本。训练分三阶段:多语言监督微调;WER 权重 0.7、SIM 权重 0.3 的 GRPO;再由学习到的真实感评判器引导的 GRPO。评判器在冻结的 WavLM-large 之上约 3M 参数,并设 1.35 倍参考时长的时长惩罚,防止靠放慢语速刷分。最后一阶段只用了中英文提示,报道称 13 种资源较少语言的错误率仍从 22.53% 降至 20.77%,SIM 从 0.637 升至 0.679。 性能数字均为厂商自报:Seed-TTS 英中平均错误率 1.25%、SIM 0.704;CV3 九语平均 4.86%、SIM 0.661;MiniMax 24 语平均 5.89%、SIM 0.754。报道给出的横向对比是 CV3 上 VoxCPM2 为 5.35%、CosyVoice3-1.5B 为 6.89%、Qwen3-TTS-1.7B 为 7.73%,4B 级 Higgs TTS 3 报告 4.41%;MiniMax 上 Higgs TTS 3 为 2.74%。Edge0 自称该表为参考性对比,理由是评估流程与文本归一化方式不同。最弱项是泰语 CV3 WER 48.57%;另有粤语在 MiniMax 上 CER 31.35%,报道未说明模型是否在完整支持清单中包含粤语,该分数对应的模型版本与评测集归属需向厂商确认。部署侧需 PyTorch 2.5+ 与 Transformers 4.57+,以 trust_remote_code 加载;仓库另有 CLI、批处理与监督微调脚本,GPU 服务可用 SGLang Omni 适配器,提供分页注意力、动态批处理与兼容 OpenAI 的语音接口。

对开发者的影响

第一层影响是规模与许可的组合。0.6B 主模型加编解码器的体量,意味着单卡推理与全参微调的门槛明显低于报道中 1.7B、2B 乃至 4B 级对手;报道所述 Apache 2.0 与表中 Higgs TTS 3 的“研究与非商业用途”形成对照。但权重可得不等于许可无约束:仓库还打包编解码器等组件,上线前应逐项核对许可条款与训练数据来源,后者报道并未交代。 第二层影响在能力分布而非平均值。CV3 九语平均 4.86% 看起来有竞争力,泰语 WER 48.57% 说明同一模型跨语种可用性差异极大;更关键的是完整 23 语清单未公布,开发者无法从报道判断自己需要的语种是否在支持范围内。粤语就是典型例子:报道给出 MiniMax 上的粤语 CER,却没说它是否属于这 23 种语言。 第三层影响在服务侧的不确定性。适配器已经能对接现有语音网关,但报道明确吞吐与流式尚未做基准测试,容量与首包延迟都要自己测。44.1 kHz 输出比 24 kHz 方案单位时长采样点更多,存储与带宽开销更高(这是按采样率推算,不是报道结论),对长音频归档类业务是实际成本项。 端侧最容易踩空:论文报告的 1.1 至 1.2 GiB 峰值内存是 Apple M2 CPU 上 INT4 ONNX 的数字,而 Realistic 目前没有公开的 ONNX 导出,把这个数字当作端侧可行性证据并不成立。

接入与评估建议

建议一(条件性分析,非报道事实):按语种灰度接入,而不是整体替换现有 TTS。触发这次判断的报道变化是语言数比前代多 12 种(总数为 23 种),且推理接口与前代一致,迁移成本主要落在数据而非代码。前提是每个目标语种都备好干净参考音频与逐字转写。判据用可测指标:每语种自建 200 条以上朗读与口语混合测试集,中文 CER 与英文 WER 至少追平你现有线上模型;泰语这类报道中 WER 接近 49% 的语种,若在自己的测试集上仍显著高于阈值,就继续用备用引擎。报道未确认覆盖的语种,不要凭平均值放行。 建议二:先自测服务栈,再决定用 SGLang Omni 适配器还是直接走 Transformers 推理。变化点是适配器提供了兼容 OpenAI 的语音接口与动态批处理,但报道明确吞吐与流式未做基准。做实时对话这类流式业务,先确认适配器的流式行为是否可用;只做离线批量合成,动态批处理更值得优先验证。判据是目标并发下的 p95 首包延迟、实时率与单卡每小时产出音频分钟数,三项都在自己的 GPU 上测,不引用厂商未给出的吞吐数字。 建议三:端侧或纯 CPU 部署暂不排期到这一版。变化点是 Realistic 尚无公开 ONNX 导出,报道中的 INT4 内存数字属于论文环境。若确有必要,先用 PyTorch 在目标设备上量峰值内存与实时率,达标后再谈量化导出。同时把克隆能力当敏感功能处理:参考音频的采集授权、留存期与调用审计须在上线前定好,并用抽检覆盖率这类可度量指标约束。

限制与待确认事项

所有基准均为厂商自报,Edge0 自己也称对比表为参考性对比;泰语等弱项,以及 4B 级模型的领先幅度,尚无第三方复现。吞吐、流式、长文本稳定性与高并发表现均未公开,属于未知而非已知可用;训练数据来源、说话人同意机制与滥用防护,报道未提及。报道只列出了新增的 12 种语言,完整 23 语清单未公布,因此哪些语种(包括粤语)在支持范围内无法从报道推断;粤语 31.35% CER 来自 MiniMax 24 语评测集,该分数对应的模型版本与评测集归属需向厂商核实。 该版本目前未出现在 KimiSeek 的模型目录中,目录内也没有音频类模型可作对照。报道提到的兼容 OpenAI 语音接口来自 Edge0 开源的 SGLang Omni 适配器,另有 Hugging Face 上的免费 Playground,相关 API 可用性以厂商与适配器说明为准,本站未提供该模型服务。

三分钟跑通第一次调用

注册后创建 API Key。调用费用从账户余额扣除。新用户首充 7 折。充 ¥500,实付 ¥350,到账 ¥500。充 ¥1000,实付 ¥850,到账 ¥1000 最低充值仍为 ¥10,适合试用。

来源与编写说明

Edge0 发布 Audio8-TTS-Realistic:0.6B 开源语音克隆 TTS 模型

本文基于所列来源,由 AI 辅助整理、分析和翻译,并经过自动质量检查。分析与建议不代表实测结果;模型可用性与价格请以当前目录为准。