Miso Labs 发布 MisoTTS：8B 参数开源情感语音合成模型，支持语气感知与本地部署
Miso Labs 推出 MisoTTS，一个 8B 参数的开源文本转语音模型，采用残差向量量化（RVQ）技术扩展声音范围，无需增加参数量。模型同时处理文本和音频上下文，能感知说话者语气，生成更自然的对话语音。支持本地部署，权重已开放下载。
一句话看懂
Miso Labs 开源了 8B 参数的 MisoTTS 模型，用残差向量量化解决语音多样性问题，支持语气感知，可本地部署。
详细发生了什么
Miso Labs 于 2026 年 6 月 3 日发布了 MisoTTS，一个 8B 参数的开源文本转语音（TTS）模型。它基于残差向量量化（RVQ）技术，将每个音频 token 表示为 32 个 codebook 索引的向量，从而将可寻址词汇量扩展到约 10^105，而无需增加模型参数。
MisoTTS 的架构分为两部分：一个 7.7B 参数的 backbone（自回归处理时间序列），和一个 300M 参数的 decoder（自回归处理深度）。模型同时以文本和先前的音频为条件，因此能捕捉说话者的语气、情感和节奏，避免“恐怖谷”效应。
模型使用 Mimi 作为音频分词器，文本词汇量 128,256，最大序列长度 2,048，默认精度 torch.bfloat16。Miso Labs 声称推理延迟为 110ms，远低于 ElevenLabs 的 700ms 和 Sesame 的 300ms。权重以修改版 MIT 许可证发布，支持本地部署，可通过 Hugging Face 下载。
中文圈视角
MisoTTS 的开源特性对中文用户意义重大。首先，它支持本地部署，意味着敏感音频数据无需上传云端，这对注重数据安全的企业和开发者是重要优势。其次，虽然模型主要针对英文，但 RVQ 架构理论上可迁移至中文语音，中文社区可基于开源权重进行微调或适配。
目前国产 TTS 模型如字节跳动的 MegaTTS、百度的语音合成系统多采用端到端架构，但在情感表达和语气感知方面仍有提升空间。MisoTTS 的 RVQ 技术提供了一种新思路：通过向量量化扩展声音范围，而非堆叠参数。中文开发者可以借鉴其架构，开发更自然的中文语音助手或有声读物生成工具。
需要注意的是，MisoTTS 目前仅支持半双工（单次对话），不支持实时打断，且需要 CUDA GPU 运行。API 尚未开放，但开源权重降低了使用门槛。对于中文场景，直接使用可能需额外处理中文分词和声调问题。
几条值得记住的细节
- 模型参数量 8B（7.7B backbone + 300M decoder），使用 Mimi 音频分词器，32 个 2048-way codebook。
- 推理延迟声称 110ms，但需第三方验证；模型需要 CUDA GPU 运行，默认 torch.bfloat16。
- 权重以修改版 MIT 许可证开源，支持本地部署，音频默认通过 SilentCipher 加水印。
- 支持从约 10 秒音频片段进行一次性声音克隆。
- 目前仅支持半双工单次对话，全双工和实时打断列为未来工作。
一句话总结
MisoTTS 让开发者能在本地运行一个情感丰富的语音合成模型，开源权重降低了实验和定制门槛。