tiny-voca 用 450 万参数实现浏览器语音合成 — 小模型开始补齐开源缺口

tiny-voca 只有 4,537,291 个参数、约 18MB，却在 4 个 CPU 线程上达到约 70 倍实时速度。这个项目值得关心，不只是因为“小模型也能做语音”，而是它把代码、权重、训练方法和数据集全部开放，让语音合成第一次有了可拆解、可复用的轻量样本。

这是什么

tiny-voca 是一个英文文本转语音（TTS，把文字转换成语音）模型，提供一男一女两种声音，采样率为 24kHz。它可以通过 PyTorch、ONNX 和浏览器运行，所有数据均在本地处理，不需把文本发送到服务器。

它的关键设计是放弃常见的神经网络声码器，改用体积较小的源-滤波器合成方式，因此速度明显提升。训练素材本身由 Qwen3-TTS 合成，整个模型在一张 RTX 4090 上训练了 7.7 小时。

我们认为，tiny-voca 的价值首先在可审计和可部署：企业可以检查权重、修改训练流程，也能把语音能力放进已有系统，不必依赖封闭接口。其次，浏览器本地运行意味着隐私、离线和成本可能同时改善，这比单纯刷新合成音质更接近企业真正关心的指标。

但风险同样明确。它目前只支持英文和两种固定声音，不能克隆声音；外国姓名、生僻拼写和数字经常读错，音色也带有明显合成感。更关键的是，训练音频来自 Qwen3-TTS，而不是真实录音，这会限制模型对自然语音、情绪和复杂发音的学习。它适合原型验证、基础朗读和轻量应用，但距离替代商业级语音服务仍有距离。

对企业 IT：对隐私敏感或只需固定英文朗读的场景，本地 TTS 可降低服务器调用费用与数据外传压力，但上线前仍需测试姓名、数字和专业词汇的准确率。

对个人职场：浏览器内生成语音会让报告收听、会议材料和无障碍工具更容易本地化，短期内更像功能补充，而非取代专业配音与会议软件。