Ren(@Ryrenz):🎙️ 惊了，LuxTTS 把语音克隆压到 1GB 显存以内，吐出来的还是 48kHz 的人声。 GitHub 上 5400 多 star，六百八十多个 fork，围着它已经长出一片东西：Gradio 应用、ComfyUI 节点、ONNX 版本，还有托管在 FalAI 上的演示。做有声内容的人应该有体感：想要一个自己的声音，要么交钱给在线服务按字数算，要么本地跑个大模型，显存先吃满、生成还得排队等。LuxTTS 的做法是沿用 ZipVoice 的架构，蒸馏成四步推理，再配一个自己做的 48kHz 声码器——同类模型大多只到 24kHz，这一档的听感明显更干净。速度上单卡能跑到 150 倍以上实时，CPU 也能超过实时，一段几分钟的旁白基本是秒出。现在还跑在 float32 上，项目自己说换成 float16 理论上还能再快接近一倍。模型权重挂在 Hugging Face，想先听效果有现成的演示空间和 Colab 笔记本。权重和代码都按 Apache-2.0 放出来了，一个人做到这一步真挺猛。 GitHub：

2026.10.18 14:40

🎙️ 惊了，LuxTTS 把语音克隆压到 1GB 显存以内，吐出来的还是 48kHz 的人声。 GitHub 上 5400 多 star，六百八十多个 fork，围着它已经长出一片东西：Gradio 应用、ComfyUI 节点、ONNX 版本，还有托管在 FalAI 上的演示。做有声内容的人应该有体感：想要一个自己的声音，要么交钱给在线服务按字数算，要么本地跑个大模型，显存先吃满、生成还得排队等。LuxTTS 的做法是沿用 ZipVoice 的架构，蒸馏成四步推理，再配一个自己做的 48kHz 声码器——同类模型大多只到 24kHz，这一档的听感明显更干净。速度上单卡能跑到 150 倍以上实时，CPU 也能超过实时，一段几分钟的旁白基本是秒出。现在还跑在 float32 上，项目自己说换成 float16 理论上还能再快接近一倍。模型权重挂在 Hugging Face，想先听效果有现成的演示空间和 Colab 笔记本。权重和代码都按 Apache-2.0 放出来了，一个人做到这一步真挺猛。 GitHub：