tiny-voca:450 萬參數的開源英文 TTS,CPU 上約 70 倍即時,GPU 成本不到 10 美元

開發者 n4ze3m 開源 tiny-voca,一個 450 萬參數、兩種聲音的英文語音合成模型,可在 CPU 或瀏覽器執行,作者稱整個專案花費 9.56 美元 GPU 費用。

重點

  • tiny-voca 是個人開發者 n4ze3m 發布的英文語音合成(TTS)模型,4,537,291 個參數、18 MB,Apache-2.0 授權。
  • README 稱在 4 條 CPU 執行緒上約 70 倍即時;可用 PyTorch、ONNX Runtime 或瀏覽器端的 ONNX Runtime Web 執行。
  • 作者在模型卡寫明整個專案(含資料集與失敗的嘗試)花 9.56 美元租 RTX 4090;最終訓練 7.7 小時,使用約 17.6 小時的合成語音。
  • 限制:僅英文、兩種固定聲音、不能複製聲音、尚無串流。這些數字都是作者自述,未經第三方驗證。
目錄(4 節)
  1. 發生什麼事
  2. 訓練成本
  3. 限制
  4. 對你的影響

發生什麼事

GitHub 使用者 n4ze3m 在 2026 年 11 月 14 日建立 tiny-voca 專案,並在 11 月 18 日以「450 萬參數 TTS 模型在 CPU 上跑 70 倍即時,訓練只花 10 美元」為題貼上 Hacker News(當時約 42 分)。以下規格都來自專案 README 與 Hugging Face 模型卡,是作者自述,未見第三方獨立驗證,也不是媒體報導。

  • 模型:英文語音合成,兩種美式英文聲音(F2 女聲、M2 男聲),24 kHz 輸出,參數量 4,537,291、檔案約 18 MB,含波形生成器。
  • 速度:作者稱在 4 條 CPU 執行緒上約為 70 倍即時。
  • 執行環境:PyTorch、ONNX Runtime,以及可在瀏覽器執行的 ONNX Runtime Web;另有一份不依賴函式庫的純 JavaScript 實驗版。
  • 授權與開放程度:Apache-2.0;程式碼、權重、訓練流程與資料集都公開,從零開始訓練。

開源英文 TTS 模型 tiny-voca,450 萬參數,可在 CPU 上執行

訓練成本

模型卡的說法是,整個專案花了 9.56 美元租 RTX 4090 的 GPU 時間,包含建資料集、失敗的嘗試與最後一次訓練。最終權重在單張 RTX 4090 上訓練 7.7 小時。資料集是約 17.6 小時、16,018 段的合成語音,兩種聲音。這個成本只算 GPU 租金,不含作者的時間,也不含產生合成語音所依賴的其他模型。

限制

作者自己列出:只有英文、兩種固定聲音、不能複製聲音、外國人名與特殊拼法常讀錯、尚無串流,F2 聲音聽起來比預期年輕,之後打算做更成熟的聲音。社群已有人以它為基礎做出德文、義大利文、土耳其文、韓文等版本,但這些是第三方專案,本文沒有逐一驗證。

對你的影響

如果你的產品需要在裝置端或瀏覽器內做簡單的英文語音朗讀,不想連雲端 API,這是個可以試用的選擇,Apache-2.0 也方便商用評估。不過它只有英文,沒有中文,台灣的中文情境用不上;音質是否夠用,請先自己聽官方 demo(tiny-voca.n4ze3m.com)再決定。