Soprano:8000万参数轻量级TTS模型,实现20倍实时CPU合成

Soprano被介绍为一款超逼真的文本转语音模型,仅需8000万参数,内存占用低于1 GB。在普通CPU上,其合成速度可达实时20倍,初始延迟低于250毫秒。长文本输入会自动按句拆分,实现无限长度合成,输出音频质量达32 kHz。该工具提供兼容OpenAI的API,同时支持命令行界面和Web UI。它可在Windows、Linux和macOS上运行,是云端TTS服务的本地低资源替代方案。

Soprano被介绍为一款超逼真的文本转语音模型,仅需8000万参数,内存占用低于1 GB。在普通CPU上,其合成速度可达实时20倍,初始延迟低于250毫秒。长文本输入会自动按句拆分,实现无限长度合成,输出音频质量达32 kHz。该工具提供兼容OpenAI的API,同时支持命令行界面和Web UI。它可在Windows、Linux和macOS上运行,是云端TTS服务的本地低资源替代方案。