Parody 1.2：8.5MB、跑在 CPU 上的实时语音合成能干什么

开源社区这周放出了 Parody 1.2，一个极小的文本转语音模型：压缩后只有 8.5MB，纯 CPU 就能实时跑，内置四个预置音色，许可证相当宽松。

8.5MB 是什么概念

对比一下，常见的高质量 TTS 模型动辄几百 MB 到几个 G，还得配 GPU 才能低延迟。8.5MB 意味着它可以塞进一个手机 App 的安装包、可以跑在树莓派上、可以在浏览器里用 WebAssembly 加载而几乎不影响首屏。

它牺牲了什么

音质和表现力。四个预置音色，没有零样本克隆，没有情绪控制，没有多语言。念长句时的韵律起伏会明显比大模型平。所以它不是用来做有声书或者播客的。

它适合什么

第一，无障碍朗读：网页、App 里的正文朗读，用户不需要为这个功能下载几百 MB。第二，离线设备提示音：工业设备、车载、智能家居的语音反馈，网络不通也得能用。第三，游戏和交互原型的占位音：开发期不用调云服务，成本为零。第四，隐私敏感场景：文本不出设备。

为什么这类小模型值得关注

过去两年语音合成的进步几乎全在「更像人」这个方向上，代价是模型越来越大、越来越依赖云端。但真实需求里有一大块是「够用就行、必须离线、成本要零」。这条线长期被忽视，现在开始有人认真做了。

试用建议

先在你的目标硬件上测实时率，也就是合成一秒音频需要多少秒计算。CPU 上的实时率对设备很敏感，官方标称的实时不代表你的设备也能实时。然后测长文本的稳定性，小模型在超长输入上容易出现韵律崩塌或者尾部截断。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

8.5MB 跑 CPU 这个体积确实有想象力，塞进 App 安装包都行。但要提醒一句，官方标的实时率在你的设备上未必成立，尤其低端 ARM。长文本还要测尾部截断和韵律崩塌，小模型在这方面不稳。