一句话总结：Silencio-2 是基于 Pocket TTS 微调的 18M 参数语音模型，权重开源，CPU 上能跑出约 20 倍实时，还能按文本里的情感标签调整语气。这个规模不是用来跟云端 TTS 比音质的，它的价值在于「几乎任何设备都能跑」，以及把语气控制变成了一件确定的事。
一、18M 的语音模型，20 倍实时是什么水平
11 月 2 日放出来的 Silencio-2，官方描述很简短：基于 Pocket TTS 的开源微调模型，18M 参数，能遵循文本里的情感与声音标签（比如 [sigh]），CPU 上大约 20 倍实时，权重放在 Hugging Face，有 Colab demo。
18M 是什么概念？今天随便一个手机输入法的词库都比它大。主流开源 TTS 动辄几亿参数，跑起来要 GPU。
但 20 倍实时这个数字很实在。意味着 10 分钟的音频，CPU 上 30 秒处理完。一本书的有声版要十小时，一台普通笔记本半小时能生成完。
我一开始以为这是个玩具。算完这笔时间账才反应过来，玩具和工具的差别不在音质，在能不能批量跑。
二、小 TTS 模型的用处不在音质
这句话我想展开讲。
云端 TTS 的音质确实好，自然度高、断句准、多音字也处理得对。但它有三个前提：要联网、要花钱、音频要传出去。
这三个前提在某些场景下是硬伤：
离线设备。 车载导航、智能音箱、工业设备的语音提示，很多场景根本没网。你不可能为了播一句「前方 500 米右转」去连一次云。
隐私敏感的场景。 医疗问诊记录、法律咨询、企业内部培训，这些内容不适合传到第三方。哪怕对方承诺不存，合规上也过不去。
大批量生成。 十万条商品语音描述、几十万条通知播报，按次计费的云端 API 成本受不了。
这三类需求里，音质排不到第一位，「能用、便宜、稳定」才是。微型模型正好卡在这个位置。
三、情感标签：TTS 控制从模糊变确定
这个模型有个设计我觉得比参数更值得说。
它的语气控制靠文本里的标签，比如 [sigh]（叹气）。你直接在要合成的文本里写上标签，模型就按标签处理。
这和现在主流做法不一样。主流是让你用自然语言描述语气：「用疲惫的语气读」「带一点无奈」。听着更灵活，实际很难稳定复现——同一句描述，跑两次可能得到不同的效果，你也说不清为什么这次更像。
标签是确定的。[sigh] 就是叹气，不会这次叹得重下次叹得轻。
对一个要做批量生成的人来说，确定性比灵活性值钱。你要的是十万条输出风格一致，不是每条都有惊喜。
四、什么场景该用小 TTS 模型
按我的经验，三个判断点，中两个就该考虑。
第一，运行环境没有稳定网络，或者不能联网。
第二，内容不能出本地。
第三，每天要生成的音频超过几百条。
三条都中的，基本只有微型模型能解。中一两条的，看成本，云端 API 可能更省事。
反过来，如果你做的是有声书、播客这类对音质要求高的内容，18M 的模型不够用。这种场景该花钱买音质。
图 1：三层各有各的活，选错了不是效果差，是方向错
五、CPU 跑语音的边界
20 倍实时是个均值，实际会有波动。
音质是最大的短板。 18M 的模型，音色丰富度和自然度肯定比不过大模型。它对标的是「能听懂」，不是「听着舒服」。
多语言支持要看训练数据。 官方描述里没提支持多少语言，Pocket TTS 本身是多语言框架，但微调之后覆盖多少，得实测。
标签的覆盖范围有限。 官方举的例子是 [sigh]，还有哪些标签、能不能自定义，信息不够。
长文本要看切分策略。 一次合成太长的文本，韵律容易崩。通常要按句子切开分别合成再拼，切得不好会有接缝感。
六、和云端方案的成本对照
粗略算一笔。
假设你要生成十万条短语音，每条 10 秒。总时长约 278 小时。
云端 API 按每分钟几分钱到一毛算，十万条大概几千到一万多块。具体看服务商和音色。
本地 18M 模型：一条 10 秒的音频，20 倍实时下 CPU 处理 0.5 秒。十万条是 50000 秒，约 14 小时。一台普通机器跑一晚上，成本就是电费。
这个对比只在批量场景成立。如果你一个月只生成几百条，云端的几百块比折腾部署划算。
结语
这类小模型的出现，改变的不是 TTS 的音质上限，是使用门槛。
过去做语音合成是一个需要立项的事：申请 API、评估成本、担心隐私、处理网络异常。现在一个 18M 的模型能塞进几乎任何设备，这些顾虑大部分消失了。
门槛一降，用法就会变。以前只有大产品才做语音播报，以后可能每个小工具都带。
给个能马上试的：去 Hugging Face 上的 Colab demo 跑两句，把你最想让它用那种语气说的话贴进去，前面加个 [sigh]，听听效果。十分钟能判断这东西对你的场景够不够用。
站里另一篇讲本地部署的内存账，18M 这个规模连那笔账都不用算，随便什么机器都装得下。反过来，想跑大一点的生成模型，Hy-Nomas 那篇算过一张 4090 的极限在哪。
参考资料
- 参考资料
发表评论
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。