品玩1月15日讯，AI 初创公司Kyutai官方宣布推出Pocket TTS——一款仅1亿参数的文本到语音（TTS）模型，支持语音克隆，可在普通笔记本CPU上实时运行。用户仅需5秒音频样本即可复现目标声音的音色、情感、口音及声学环境。

该模型采用连续隐变量架构，摒弃传统离散令牌方法，结合Lagrangian自蒸馏与Latent Classifier-Free Guidance等技术，在Word Error Rate和音频质量上优于多个大参数竞品，且是唯一能在CPU上实现超实时生成的高质量TTS系统。

Pocket TTS已开源，采用MIT许可证，训练数据全部来自公开英文语料，总计88,000小时。项目提供本地CLI工具及在线演示，支持自定义语音输入。