ZipVoice

引言 上周把 Audio8/MOSS-TTS-Nano 集成到 OddTTS 了，测试一下 Audio8/MOSS-TTS-Nano 效果确实好，但 CPU 跑 RTF 3.26（55字合成耗时 27.85 秒），实在没法用于实时场景。 除了这两个模型个，kid 大佬推荐的模型里还差了一个 ZipVoice，123M 参数，Flow Matching 架构，号称”Small and Fast”。 这个周末在家就搞了一下这个模型。 然而，这个 zipvoice 的集成过程并不顺利，甚至可以说一波三折——踩了好多个大坑，从 PyTorch 推理跑不动，到 vocoder 选型错误合成出噪音，再到模型目录验证 bug 导致 voices 为空。这篇文章把这些坑都记录下来，希望能帮到同样想集成 ZipVoice 的同学。 最终方案：sherpa-onnx 推理后端 + ModelScope 模型下载 + 自动 vocoder 下载，pip 安装后一键启动，纯 CPU 运行，RTF 约 1.3-3.0。 […]