2026 年 11 月 4 日——端侧 AI 公司 Edge0 于 10 月 27 日发布开源语音合成模型 Audio8-TTS-Realistic：主模型参数量 601,159,424（约 0.6B，不含音频编解码器），在保留零样本声音克隆能力的基础上，将支持语言从预览版的 11 种扩展至 23 种，官方称新版重点提升了合成语音的拟真度与韵律自然度；该模型仓库已于 11 月 2 日更名为 Audio8-TTS-Realistic-Air，代码与 0.6B 权重均遵循 Apache 2.0 协议。
版本与语言覆盖
Audio8 TTS 是 Edge0 的紧凑型语音合成模型系列，主打零样本声音克隆。预览版 Preview 0.6b 于 7 月 28 日上架 Hugging Face，8 月 19 日系列还发布过更轻量的 0.1B 版本；技术报告于 10 月 10 日提交 arXiv。本次发布时间线如下：
| 时间 | 事件 |
|---|---|
| 2026 年 7 月 28 日 | Preview 0.6b 上架 Hugging Face（11 种语言） |
| 2026 年 8 月 19 日 | Audio8-TTS-0.1B 发布（中英文为主，含 ONNX INT8 端侧运行时） |
| 2026 年 10 月 10 日 | 技术报告提交 arXiv（编号 2610.14776） |
| 2026 年 10 月 27 日 | Realistic 0.6B 发布，预览版权重与文档保留 |
| 2026 年 11 月 2 日 | 仓库更名为 Audio8-TTS-Realistic-Air，社区 MLX、LiteRT 移植版同期上架 |
语言覆盖对照如下：
| 覆盖批次 | 语言 |
|---|---|
| Preview 支持（11 种） | 中文、粤语、英语、日语、韩语、法语、德语、西班牙语、意大利语、荷兰语、波兰语 |
| Realistic Air 新增（12 种） | 俄语、阿拉伯语、印地语、印尼语、马来语、葡萄牙语、芬兰语、挪威语、瑞典语、泰语、土耳其语、越南语 |
官方在模型卡中注明，各语言质量存在差异，基准测试覆盖范围与支持语言列表并不完全对应。
架构与训练方法
Audio8 TTS 采用借鉴 Fish Audio S2 Pro 的 DualAR 双自回归架构：慢速自回归分支（24 层、宽度 896、14 个注意力头、2 个 KV 头）逐帧预测语义 token，快速自回归分支（4 层）在其隐藏状态条件下并行输出该帧其余码本。第三方评测拆解指出，该配置与 Qwen2.5-0.5B 的结构参数一致。其余规格如下：
| 项目 | 规格 |
|---|---|
| 主模型参数量 | 601,159,424（不含编解码器） |
| 声学 token | 10 个码本，每码本 4096 条目 |
| 音频编解码器 | 44.1 kHz，每帧 2048 采样（约 21.5 帧/秒） |
| 上下文长度 | 2048 个文本/音频打包位置 |
| 推理接口 | Transformers（需 trust_remote_code=True） |
据 arXiv 技术报告，模型训练分三阶段：多语言监督微调；以词错率（WER）与说话人相似度（SIM）为奖励的 GRPO 强化学习；再由专门训练的拟真评论家（realism critic）引导的 GRPO。评论家挂在冻结的 WavLM-large 编码器上，据第三方拆解其评分头仅约 3M 参数，通过对比开源 TTS 输出与同句真人录音构建质量阶梯，并引入身份擦除损失防止评论家依赖生成器指纹、超过参考音频 1.35 倍时长则施加罚分，以封堵策略模型拉慢语速骗取低错误率等投机行为。官方称第三阶段训练仅使用中英文提示词，即带动其余 13 种语言的错误率与相似度同步改善（据第三方拆解引述，平均错误率从 22.53% 降至 20.77%，SIM 从 0.637 升至 0.679）。官方在技术报告中亦自述了该评论家的局限：只能给出相对排名、主要关注停顿时长，对声学底噪、电流嗡嗡声与声码器伪影并不敏感。
官方评测数据
官方模型卡给出的新旧版本对比（错误率为百分比越低越好，SIM 为 0 至 1 越高越好，均为未加权语言宏平均）：
| 基准 | 覆盖 | Preview 错误率 | Realistic Air 错误率 | Preview SIM | Realistic Air SIM |
|---|---|---|---|---|---|
| Seed-TTS | 英语/中文 | 1.23% | 1.25% | 0.682 | 0.704 |
| CV3 | 8 种共有语言 | 4.80% | 4.56% | — | 0.663 |
| CV3 | 9 种核心语言 | — | 4.86% | — | 0.661 |
| MiniMax | 24 种评测语言 | — | 5.89% | — | 0.754 |
与更大参数量模型的参考对照（官方注明各家评测管线与文本归一化标准不同，属参考性对比而非严格同口径排名）：
| 模型 | 参数量 | Seed-TTS 中英 | CV3（9 语言） | MiniMax（24 语言） |
|---|---|---|---|---|
| Audio8-TTS-Realistic-Air | 0.6B | 1.25% | 4.86% | 5.89% |
| Qwen3-TTS-12Hz-0.6B | 0.6B | 1.12% | — | — |
| Qwen3-TTS-1.7B | 1.7B | 1.01% | 7.73% | 27.41% |
| Higgs Audio v3 | 4B | 1.11% | 4.41% | 2.74% |
| Higgs Audio v2 | 4.7B | 1.17% | 4.49% | — |
| Fish S2 Pro | 4.6B | 1.32% | 4.49% | 4.40% |
| MOSS-TTS-v1.5 | 8.5B | 1.52% | 6.11% | 3.78% |
| CosyVoice3-1.5B | 1.5B | 1.67% | 6.89% | — |
| VoxCPM2 | 2.3B | 1.41% | 5.35% | — |
从该表看，其越级优势集中在 CV3 九语言基准（优于 Qwen3-TTS-1.7B、CosyVoice3-1.5B、VoxCPM2）；在 MiniMax 24 语言基准上则落后于 Higgs Audio v3、MOSS-TTS-v1.5 与 Fish S2 Pro。截至 11 月 3 日，Realistic-Air 在 Hugging Face 上的下载数为 8090、点赞 265；MLX 社区 bf16 版与面向 Android 的 LiteRT 移植版已于 11 月 2 日上架。新浪财经报道称该模型曾在 Hugging Face TTS Arena 盲测投票中排名第一；该排名未见于官方模型卡与仓库文档，截至发稿未能从榜单页面直接核验。
已披露的性能局限
官方 Seed-TTS 明细显示，常规中文 CER 为 1.029%，但困难中文（Hard Chinese，考验生僻字、多音字等）CER 达 12.797%，且相比 Preview 的 11.510% 有所退步；英文 WER 1.464%，英文 SIM 0.663、中文 SIM 0.745。据第三方评测拆解（ic.work），该困难中文成绩明显落后于 CosyVoice3-1.5B（5.83%）、Qwen3-TTS-1.7B（6.76%）与 VoxCPM2（8.13%），在 MiniMax 24 语言测试中其粤语字错率高达 31.35%，为全场唯一超过 20% 的语种，主因被归结为普通话与粤语共享汉字词表带来的训练占比倾斜。
部署方式与开源许可
仓库代码与两个 0.6B 版本（Preview、Realistic Air）权重均采用 Apache 2.0 协议，0.1B 权重使用单独的模型许可。运行环境要求 Python 3.10 及以上、支持 CUDA 的 GPU，依赖 torch 2.5 以上与 transformers 4.57 以上；官方在 NVIDIA H20 上以 BF16 完成了加载与多语言生成冒烟测试。部分媒体报道的「INT4 量化后在 Apple M2 CPU 上约 1.1 GB 内存运行」实为前代 Preview 0.6b 的 ONNX INT4 实测数据，Realistic Air 目前没有 ONNX 导出版本；据 ic.work 引述，前代 ONNX INT4 路径还存在长段中文默认采样早停截断、贪婪解码陷入死循环等仓库 Issue 反馈。除单机推理与命令行工具外，仓库提供监督微调（SFT）指南，并附带 SGLang Omni 部署适配器，支持分页注意力、动态批处理与 OpenAI 兼容的语音接口；官方在 Hugging Face Spaces 上提供基于 ZeroGPU 的在线 Playground 与试听页面。
评论