Tontaube 發布 2.9B 開源 TTS 模型 TontaubeV1：首包延遲 200ms，支援長文本與零樣本語音複製

據 Reddit 社群消息，Tontaube 開發團隊發布 2.9B 參數的開源權重 TTS 模型 TontaubeV1，專注於長文本生成與低延遲本地推論。該模型主要支援英文與德文，並允許使用最長一分鐘的參考音訊進行零樣本（zero-shot）語音複製。 架構上，TontaubeV1 採用四個獨立的自迴歸模型，從粗略語義結構逐步生成至聲學細節，較高層的碼本（codebooks）模型體積遞減。模型採用字元級文本標記化（tokenization），並透過滾動上下文視窗（rolling context window）實現串流與無限制的長文本生成。 效能方面，開發者稱在預熱的 RTX 5090 上，單一文本的 RTF（即時率）約 0.08；啟用批次處理後可低至 0.02（約 50 倍即時速度），串流模式下首包音訊延遲約 200ms。由於採用 vLLM 實作以支援高併發與低延遲，目前硬體門檻較高：低 VRAM 與均衡設定檔至少需 24GB VRAM，高吞吐量設定檔需 32GB VRAM。團隊計畫未來推出適用於較小 GPU 與終端裝置的量化版本，並支援微調。 在內部進行的 400 段文本 LLM-as-a-judge 有聲書評測中，TontaubeV1 的韻律表現與 ElevenLabs Flash v2.5 相當（勝率 50.1%），並優於 Fish Audio S2 Pro、Gradium 與 Cartesia Sonic 3。開發團隊表示，未來幾天將把模型提交至 TTS Arena V2 與 Artificial Analysis 進行人類盲測。