CuteTTS：基于连续潜变量自回归建模的高效高质量语音合成
- 轻量级（约 2.3 亿参数）的连续自回归 TTS 模型，可在 GPU、CPU 和 Apple 芯片上高效运行。
- 超低延迟：在 NVIDIA RTX 4090 上，首个音频块延迟约 40 ms，生成速度约为实时的 9 倍。
- 出色的语音质量和音色克隆性能。
- 提供网页 Demo、Python API 和 CLI。
- 多语言支持：英语、中文、法语、德语、西班牙语。
零样本音色克隆性能
| 模型 | 参数量 | LibriSpeech test-clean WER (%) ↓ | LibriSpeech test-clean SIM ↑ | Seed-TTS EN WER (%) ↓ | Seed-TTS EN SIM ↑ | Seed-TTS ZH WER (%) ↓ | Seed-TTS ZH SIM ↑ |
|---|---|---|---|---|---|---|---|
| MOSS‑TTS | 8B | 1.98 | 67.7 | 1.84 | 70.9 | 1.37 | 77.0 |
| Qwen3‑TTS | 1.7B | 2.35 | 70.3 | 1.66 | 71.4 | 0.91 | 77.0 |
| FireRedTTS‑2 | 1.5B | 4.32 | 64.2 | 1.95 | 66.5 | 1.14 | 73.6 |
| MOSS‑TTS‑Nano | 0.1B | 4.10 | 48.4 | 4.62 | 49.9 | 3.13 | 64.3 |
| F5‑TTS | 0.3B | 2.42 | 66.0 | 1.83 | 67.0 | 1.56 | 76.0 |
| ZipVoice | 0.1B | 2.05 | 67.4 | 1.70 | 69.7 | 1.40 | 75.1 |
| IndexTTS2 | 1.5B | 2.47 | 70.0 | 2.22 | 70.6 | 1.02 | 76.5 |
| CosyVoice 3 | 0.5B | 1.99 | 69.7 | 2.02 | 71.8 | 1.16 | 78.0 |
| VoxCPM2 | 2B | 3.01 | 74.0 | 1.84 | 75.3 | 0.97 | 79.5 |
| VibeVoice | 1.5B | – | – | 3.04 | 68.9 | 1.16 | 74.4 |
| DiTAR | 0.6B | 2.39 | 67.0 | 1.69 | 73.5 | 1.02 | 75.3 |
| VibeVoice‑Realtime | 0.5B | 2.00 | 69.5 | 2.05 | 63.3 | – | – |
| Pocket TTS | 0.1B | 1.59 | 49.1 | 1.63 | 50.7 | – | – |
| CuteTTS | 0.2B | 2.16 | 78.9 | 2.04 | 76.5 | 1.41 | 77.8 |
| CuteTTS‑distill | 0.2B | 2.41 | 76.8 | 2.03 | 74.2 | 1.47 | 75.6 |