Edge0 发布 Audio8-TTS-Realistic，支持 23 种语言的零样本语音克隆

Techub News 消息，Edge0 发布了 Audio8-TTS-Realistic，这是一个用于零样本语音克隆的开源文本转语音模型。该模型拥有 6 亿参数，只需 1 段参考音频和文本即可克隆声音，支持 23 种语言，较其前代增加了 12 种。模型权重和代码在 Apache 2.0 许可下发布。 该模型采用双自回归架构，包含一个基于 Qwen2.5 0.5B 的慢速分支和一个浅层快速分支。团队通过三阶段训练提升语音的真实感，包括监督微调、结合词错误率和说话人相似度的奖励优化，以及由学习到的真实性评判器引导的强化学习。 在性能方面，该模型在 CV3 基准测试的 9 种语言上平均词错误率为 4.86%，优于 Qwen3-TTS-1.7B 的 7.73%。但在泰语和粤语等语言上错误率较高。（MarkTechPost）