Antalia-2 Mini 全面解析:仅 7.62M 参数的轻量级土耳其语 TTS 语音合成引擎
Antalia-2 Mini 全面解析:仅 7.62M 参数的轻量级土耳其语 TTS 语音合成引擎
Antalia-2 Mini 是一个专为土耳其语打造的轻量级文本转语音(TTS)模型:总参数量仅 7.62M(声学模型 3.69M + 声码器 3.93M),输出 48 kHz 高音质音频,在普通 CPU 上即可远超实时速度完成合成,Apache-2.0 开源协议,pip install antalia-mini 一键安装即可上手。
适合人群:想在本地部署 TTS 的开发者、需要土耳其语语音能力的产品团队、对"小模型也能高质量"感兴趣的 AI 新手。
一、它凭什么值得关注?🎯
在"土耳其语 TTS"这个细分赛道上,Antalia-2 Mini 的亮点非常突出:
- 🪶 极致轻量:7.62M 参数,比 Piper(16M)还小,权重文件 fp32 仅 30.5 MB、fp16 仅 15.3 MB;
- 🎧 高音质输出:原生 48 kHz,并可重采样为 24 / 16 / 8 kHz(覆盖电话、ASR 管道等场景);
- ⚡ CPU 友好:在 8 核 CPU 上 RTF 约 0.052,Apple M5 上约 50 倍实时速度,流式首包延迟仅 0.06 秒;
- 📖 智能文本归一化:内置土耳其语归一化器,数字、日期、时间、金额、电话号码、网址、英文品牌名都会自动转换成土耳其母语者的读法;
- 🔊 单一合成男声:声音完全合成(非真人录音),训练数据也不含任何真实说话人录音。
二、三分钟上手:安装与第一次合成
一行命令安装(需要 Python 3.10+):
pip install antalia-mini
仓库内也直接提供了 wheel 安装包:antalia_mini-1.0.1-py3-none-any.whl。
Python 调用只有几行:
from antalia_mini import Antalia
tts = Antalia() # 首次运行自动下载约 31 MB 权重,有 GPU 用 GPU,否则用 CPU
speech = tts.say("Randevunuz 14 Ekim Salı günü saat 15:30'da.", path="randevu.wav", seed=0)
print(speech.duration, speech.sample_rate, speech.seed)
命令行同样简单:
antalia-mini "Merhaba, size nasıl yardımcı olabilirim?" -o merhaba.wav
几个新手友好的细节:
| 参数 | 说明 |
|---|---|
seed |
固定文本 + seed + 配置 = 固定音频,方便复现 |
speed |
默认 0.95(略慢于自然语速),越大越快 |
steps |
flow matching 步数,默认 8;设为 4 更快但精度略降 |
cfg |
无分类器引导强度,默认 2.0 |
sample_rate |
设为 8000 可直接得到电话级 8 kHz 音频 |
device="mps" |
Apple Silicon 上可选 GPU 加速 |
另外,Antalia.normalize(text) 可以直接查看模型"真正读到的文字"——对调参排查读音问题非常实用。
三、听效果:8 个官方示例音频
仓库 samples/ 目录收录了 8 个示例(seed=0、默认 8 steps、cfg 2.0、含输出 EQ),覆盖问候、预约、金额、电话/邮箱、日期、问句、英文品牌词和长句等典型场景,元数据见 samples/samples.json:
| 示例 | 原始文本 | 文件 |
|---|---|---|
| 问候 | Merhaba, size nasıl yardımcı olabilirim? | 01-greeting.wav |
| 日期时间 | Randevunuz 14 Ekim Salı günü saat 15:30'da… | 02-appointment.wav |
| 金额 | Toplam tutar 1.250,75 TL… | 03-amount.wav |
| 电话/邮箱 | Bize 0212 555 12 34 numarasından… | 04-phone.wav |
| 物流日期 | Kargonuz yola çıktı; tahmini teslimat tarihi… | 05-cargo.wav |
| 问句 | Siparişinizi iptal etmek mi istiyorsunuz… | 06-question.wav |
| 英文品牌词 | Toplantı bağlantısını WhatsApp üzerinden… | 07-english.wav |
| 长句 | İstanbul'un iki yakasını birbirine bağlayan… | 08-long.wav |
从 samples.json 可以看出归一化器的实力:"1.250,75 TL" 会被读成 "bin iki yüz elli lira yetmiş beş kuruş",电话号码也会逐段展开朗读。
四、模型架构:7.62M 参数是怎么分配的?
整个系统由 文本编码器 + 时长预测器 + Mel 生成器 + 声码器 四部分组成(参数明细来自 config.json):
| 模块 | 技术要点 | 参数量 |
|---|---|---|
| 文本编码器 | 字符级嵌入 + 3 个 ConvNeXt 块 + 1 个带 RoPE 的自注意力(d=192) | 0.83M |
| 时长预测器 | 3 层卷积,基于单调对齐搜索(MOS)训练的时长,无外部对齐器 | 0.17M |
| Mel 生成器 | 5 个 DiT 块(adaLN-single),对 128 维 log-mel 帧做 flow matching;带 shortcut 自一致性训练,1/2/4/8 步皆可采样;支持 CFG | 2.69M |
| 声码器 | Vocos 风格 ConvNeXt 堆叠(d=256,8 块),预测 n_fft=2048 / hop=512 的 STFT,一次逆 STFT 直达 48 kHz | 3.93M |
两个值得新手记住的设计选择:
- 直接读字符而非音素——土耳其语拼写与发音高度对应,剩下的"例外"交给归一化器处理,架构因此更简单;
- shortcut flow matching——同一个模型既可以在 8 步求高精度,也可以降到 4 步换速度,无需额外蒸馏。
五、输出 EQ:1.0.1 版的"听感升级"
1.0.1 版默认启用了一套手工调音的输出 EQ(曲线参数见 config.json 的 options.curve):
- 80 Hz 高通 + 200 Hz 处 -4 dB,减少低频浑浊;
- 350 Hz 处 -2.5 dB,降低"盒装感";
- 3.2 kHz 处 +3 dB 增加临场感,8 kHz 以上 +2 dB 增加空气感;
- 5.5 kHz 以上频段仅在响度超阈值时动态衰减(de-esser),让 "s" 和 "ş" 不刺耳。
不想要这套调音?传 eq=False(或命令行 --no-eq)即可拿到原始输出。
六、效果如何?用数据说话 📊
官方在 Freya-TR-Eval(495 句土耳其语测试集)上做了完整评测,指标为 WER / CER(可懂度)与 UTMOS(自然度):
| 系统 | 参数量 | WER % | CER % | UTMOS | UTMOS (8 kHz) |
|---|---|---|---|---|---|
| Antalia-2 Mini 1.0.1 | 7.62M | 1.02 | 0.21 | 3.18 | 3.05 |
| EMA Lightning 1.0.1 | 8.6M | 1.00 | 0.20 | 3.30 | 2.88 |
而在独立的公共基准复跑中(15 个土耳其语系统同台竞技),Antalia-2 Mini 取得:
- CER 0.220%——15 个系统中最低(比 EMA Lightning 的 0.225% 还低);
- WER 1.09%,位列第 2;
- RTF 0.029(NVIDIA L4),仅次于 MMS-TTS 和 EMA Lightning,远超 Trendyol-TTS(2.38B 参数,RTF 0.962)等大模型。
也就是说:不到 8M 的参数量,把 20 亿参数的商业级 TTS 甩在了身后。
七、尺寸与速度一览
| 指标 | Antalia-2 Mini |
|---|---|
| 参数 | 7.62M(声学 3.69M + 声码器 3.93M) |
| 权重 | 30.5 MB(fp32)/ 15.3 MB(fp16) |
| 输出采样率 | 48 kHz(可重采样 24/16/8 kHz) |
| RTF(L40S,batch 1) | 0.026 |
| RTF(CPU,AMD EPYC 7R13 8 核) | 0.052 |
| RTF(Apple M5 CPU,2 线程) | 0.019 |
| 流式首包延迟(M5 CPU) | 0.06 秒 |
RTF = 合成耗时 / 语音时长,数值越低越快。0.05 意味着 1 秒语音只需约 50 ms 合成——在普通笔记本上就能当"实时"服务用。
流式接口 tts.stream(text) 按句子分块产出 float32 音频,且 EQ 滤波器状态跨块保持,拼接结果与一次性 say() 输出基本一致,非常适合做客服机器人或 TTS 阅读器。
八、训练数据:1578 小时合成语音
- 全部训练音频由 VoxCPM2(OpenBMB,Apache-2.0)以 Antalia-2 音色生成,共约 1578 小时,不含任何真人录音;
- 文本来源:土耳其语 Wikipedia(CC BY-SA 4.0)、FineWeb-2 土耳其语分片(ODC-By 1.0)、语言模型生成的客服场景句(预约/银行/零售/物流),以及数字、日期、电话等模板句;
- 每条生成音频都经过 Whisper large-v3 转写比对、UTMOS 打分、音色相似度三道自动质检,不合格即丢弃。
九、局限性与负责任的用法 ⚠️
新手评估工具时,提前知道"短板"比只看亮点更重要:
- 🔹 只有一种声音、一种风格,除语速外无法控制情绪/风格,也不支持声音克隆;
- 🔹 仅支持土耳其语;句中穿插的英文/品牌词会被重新拼写朗读,但整句英文不支持;
- 🔹 超短语气词(如单独的 "Evet."、"Tamam!")表现最弱,可能显得平淡;
- 🔹 罗马数字("XIX. yüzyıl")、罕见缩写、部分外国人名可能读错——重要场景建议先用
Antalia.normalize(text)核对读法; - 🔹 长文本按约 18 秒一句切块合成,跨块的语调不会连贯。
负责任使用三条红线:告知听者这是合成语音;不得用于冒充真人或制造"听起来像真人表态"的音频;不得用于诈骗、骚扰或欺骗性电话。
十、许可与仓库资料速查
代码、文本归一化器与模型权重均为 Apache-2.0 协议(见 LICENSE 与 NOTICE),可自由商用。仓库核心文件导航:
| 文件 | 作用 |
|---|---|
| README.md | 完整文档:快速上手、评测、架构、局限 |
| config.json | 模型结构与默认参数(steps=8、cfg=2.0、speed=0.95) |
| acoustic.safetensors / vocoder.safetensors | fp32 权重(约 30.5 MB) |
| acoustic.fp16.safetensors / vocoder.fp16.safetensors | fp16 半尺寸权重(约 15.3 MB,音频几乎无差) |
| samples/ | 8 个官方示例音频 + 元数据 |
| antalia_mini-1.0.1-py3-none-any.whl | 可直接 pip 安装的 Python 包 |
总结
Antalia-2 Mini 证明了"小即是美":用 7.62M 参数、30 MB 权重、纯 CPU 可跑 的代价,换来了土耳其语 TTS 榜单第一梯队的可懂度(CER 全场最低)和 48 kHz 音质。如果你的项目需要土耳其语语音能力,又不想为 2B+ 参数的商用 API 买单或忍受 GPU 依赖,它就是目前开源阵营里最完整、最省心的选择之一——pip install antalia-mini,两行代码,语音就出来了。🚀