Kyutai 发布了 Pocket TTS，这是一个约 1 亿参数的流式语言模型，可自回归地生成音频令牌。该模型最值得注意的是，它能够从仅 5 秒的音频中进行零样本语音克隆，这是 Kokoro、Supertonic 和 Inflect-Nano 等其他 CPU 友好型模型所不具备的功能。虽然 Pocket TTS 是测试模型中最慢的，但它提供了在 CPU 上进行语音克隆的能力，而无需 GPU，使其成为交互式应用的独特选择。 AI
影响 使得在消费级硬件上进行语音克隆成为可能，可能降低 AI 驱动的音频生成的门槛。
排序理由 小型开发者发布的新产品，提供特定的细分功能（CPU 语音克隆）。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
<table> <tr><td> <a href="https://www.reddit.com/r/LocalLLaMA/comments/1up07mk/kyutais_pocket_tts_clones_a_voice_from_5_seconds/"> <img alt="Kyutai's Pocket TTS clones a voice from 5 seconds of audio, on CPU, under MIT. Benchmarked against Kokoro, Supertonic, and Inflect-Nano for…
<table> <tr><td> <a href="https://www.reddit.com/r/StableDiffusion/comments/1up0my7/voice_cloning_on_cpu_no_gpu_needed_benchmarked_4/"> <img alt="Voice cloning on CPU, no GPU needed. Benchmarked 4 open TTS models including Kyutai's new Pocket TTS" src="https://preview.redd.it/w6e…