开源 2B 文本转语音模型：几秒音频克隆声音，5GB 显存可跑且可商用

这周开源社区迎来了一个轻量级的文本转语音模型。虽然参数量只有 20 亿（2B），但它的零样本声音克隆能力非常扎实：只要给它一段几秒钟的参考音频，它就能用该音色流畅读出任意文本。

连耳语和结巴都能还原的小模型

更亮眼的是它对真实人声细节的捕捉。传统语音克隆往往显得过于平整或呆板，而这个模型连耳语时的气流感、说话紧张时的微小结巴都能一并还原出来。

它还支持跨语言生成。即便输入的参考声音完全不会讲某种外语，模型也能借用其音色生成自然的多语种发音。在衡量错误率与音色相似度的基准测试中，它的综合表现处于图表左上角，超过了 CTDTS、Vox CPM、Qwen 3 TTS 以及 Index TTS 2 等一众近期模型。

项目已经在 GitHub 上开源，采用极为宽松的 Apache 2 许可证，允许免费商业使用。基础模型大小仅约 5GB，普通消费级显卡就能轻松装下并本地运行。

为什么重要

高质量的拟真声音克隆，门槛终于被压到了普通硬件上。过去这类连细微语调都能还原的克隆效果，大多依赖云端商业 API，不仅按次收费，还有数据隐私顾虑。现在一张单卡就能在本地搞定，创作者拿来做多语种配音或播客本土化的成本瞬间被砸平。

我们认为，完全开放商用的 Apache 2 协议是它最大的杀伤力。这种小体积加高表现的组合，会直接逼着收费型配音工具降价或转型。但不可忽视的是，只需几秒音频就能零样本克隆出逼真音色，本地防伪和声音反欺诈的压力显然更大了。