Edge0 发布 Audio8-TTS-Realistic：0.6B 参数零样本语音克隆模型

Edge0 发布 0.6B 开源语音克隆模型

据 MarkTechPost 报道，Edge0 已发布 Audio8-TTS-Realistic，这是一款面向零样本语音克隆的开源权重文本转语音模型。该模型主模型参数量为 601M（不含编解码器），只需一段参考音频及其对应文本即可克隆音色，也可在没有参考音色的情况下直接合成语音。模型支持 23 种语言，比上一代增加 12 种，权重与代码以 Apache 2.0 许可发布。

架构与训练思路

据技术报告，模型采用受 Fish Audio S2 Pro 启发的双自回归（DualAR）结构：慢分支基于 Qwen2.5 0.5B，每步预测文本 token 与第一个音频码本，浅层快速分支并行预测其余 9 个码本。训练分三阶段，最后一阶段引入以 WavLM-large 为骨干、约 3M 参数的真实感评判器引导 GRPO，并加入时长惩罚与身份擦除损失。官方称该阶段仅使用中英文提示，仍改善了 13 种低资源语言的表现。

自报基准与限制

官方自报数据显示，CV3 九语言平均错误率为 4.86%，MiniMax 24 语言为 5.89%，Seed-TTS 中英文平均为 1.25%。不过泰语 CV3 词错率约 48.57%，粤语 MiniMax 字错率约 31.35%，低资源语言仍是短板；Higgs TTS 3 等 4B 级模型在部分榜单上仍领先。Edge0 称其对比表仅为参考，因评测流程与文本归一化存在差异。部署方面推荐 CUDA GPU，官方称吞吐与流式性能尚未做基准测试；具体功能、许可与可用性请以官网及仓库当前信息为准。