Kyutai 推出三款參數規模極小的 Pocket TTS 模型，支援語音複製並可在 CPU 執行

Kyutai 於 10 月 20 日發布三款僅有 1.9M、6.9M 與 18.2M 參數的 Pocket TTS 英語語音合成模型。這些模型專為在 CPU 上運行設計，並支援語音複製功能，旨在讓本地助理讀取回答時無需佔用 GPU 記憶體。

AI 新聞雷達編輯團隊·本站收錄：2026/10/21 04:03（台灣時間）·閱讀約 2 分鐘

本站收錄時間為新聞雷達完成整理的時間，不代表事件發生時間。原文日期僅在取得明確來源證據時顯示；未標示者請參閱下方原始來源。

30 秒掌握

新發布的模型包含 1.9M、6.9M 及 18.2M 三種參數規模，均為英語模型且支援語音複製。

設計重點在於將語音生成工作負載移至 CPU，以便在 GPU 資源緊張時仍能執行本地語音助理功能。

官方公布的參數數量包含音訊解碼器，但處理參考語音的編碼器為獨立模組，且參考語音僅需編碼一次。

極小參數規模與 CPU 執行設計

Kyutai 於 10 月 20 日釋出了三款新的 Pocket TTS 模型，參數數量分別為 1.9M、6.9M 和 18.2M。這些模型專門針對英語語音合成設計，並具備語音複製能力。

開發團隊將這些模型設計為可在 CPU 上運行，這對於資源受限的環境或希望保留 GPU 給大型語言模型（LLM）的使用者來說是一個重要特性。

關於模型大小的宣稱，官方指出公布的參數數量包含了音訊解碼器部分。然而，用於處理使用者參考語音的編碼器是獨立的模組，並未計入上述參數總數中。

在實際使用流程中，使用者的參考語音只需要經過一次編碼處理，後續的語音生成過程則由較小的解碼器模型負責。

有 Reddit 使用者指出，雖然 1.9M 參數的模型在壓縮技術上令人印象深刻，但為了獲得更長時間且自然的語音輸出，他傾向選擇 6.9M 參數的版本。該使用者認為，多消耗幾百萬參數以換取能聆聽超過三十秒的語音品質是值得的。

該使用者建議進行比較測試時，應包含幾分鐘長的語音內容，並涵蓋人名、數字以及特殊標點符號等較難處理的情況，以評估不同規模模型在實際應用中的表現差異。