Kyutai TTS

Kyutai 是位于巴黎的开源科学 AI 实验室，官网首页汇集了它在语音、视觉与语言三个方向的研究与演示。它主张把模型、训练代码和教程一起公开，由 Iliad Group、CMA CGM Group 与 Schmidt Sciences 资助。语音方面最受关注的是 Pocket TTS：一个 1 亿参数的多语言语音合成模型，官方称可在 CPU 上以快于实时的速度运行，用一行代码就能接入。

核心能力

• Pocket TTS：开源的多语言语音合成模型，官方称 1 亿参数、CPU 上快于实时，面向低算力设备，训练代码也已放出。
• Moshi 实时语音对话：官方称是首个语音原生的对话系统，直接处理语音而不经过文本中转，因此延迟低，并能感知情绪等非语言信息。
• Unmute 给文本模型加声音：用低延迟流式语音识别与合成，让任意文本大模型具备实时听说能力。
• Hibiki-Zero 语音翻译：实时语音到语音翻译模型，保留说话人的语气而非先转文字再合成。
• Muscriptor 音乐转谱：轻量开源模型，可把任意音乐转写成多乐器 MIDI。
• 其他方向：MIRA 实时多人世界模型、Helium 1 二十亿参数多语言大模型、MoshiVis 与 CASA 的视觉融合研究，都提供在线演示。

适合谁

• 想在本地或低算力设备上跑语音合成的开发者：Pocket TTS 的定位就是这类场景。
• 做实时语音助手的产品团队：Moshi 与 Unmute 提供了可直接体验的低延迟方案。
• 语音翻译与音乐信息检索的研究者：Hibiki-Zero 与 Muscriptor 都是可复现的开源项目。
• 需要开源基线做对比实验的高校实验室：论文、代码与训练细节相对完整。
• 做无障碍工具的公益团队：官方与 Les Invincibles 合作的 Invincible Voice，就是为运动神经元疾病患者重建声音。

使用建议

• 先从官网在线演示判断音质与延迟，再去 GitHub 与 Hugging Face 取模型和代码。
• 商用前逐项确认许可证，开源不等于可无条件商用，不同项目的条款并不相同。
• 在边缘设备上部署时优先测 Pocket TTS 的实时率与内存占用，再看是否需要换更大模型。
• 关注官方博客的模型更新，这个团队的版本迭代与参数调整比较频繁。
• 需要生产级语音服务时，可以了解其衍生公司 Gradium 的方案，实验室主页更偏研究。