一、教程简介

Kyutai TTS 1.6B（en-fr）是由 Kyutai 团队于 2024 年 10 月 15 日 发布的英法双语语音大模型。在流式 TTS 专项评测中，该模型在「长文本实时输出」和「双语韵律自然度」类别上分别比「传统离线 TTS」效率提升 75% 和 42% 。它还在 Moshi Benchmark 和 Audio-Language Alignment Dataset 等 TTS 基准测试中获得了最先进的性能。此外，该模型还展示了以前系统中很少见的功能，包括输入即输出的流式生成、英法双语零样本切换、基于预计算嵌入的语音选择以及动态调整音频 token 数量的快速推理。相关论文成果为 Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling。

本教程采用资源为单卡 RTX 4090 。仅支持英语和法语。

二、项目示例

standard-tts

streaming-tts

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 使用步骤

若显示「Bad Gateway」，这表示模型正在初始化，请等待约 2-3 分钟后刷新页面。使用 Safari 浏览器时，音频可能无法直接播放，需要下载后进行播放。

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

@techreport{kyutai2025streaming,
      title={Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling}, 
      author={Neil Zeghidour and Eugene Kharitonov and Manu Orsini and Václav Volhejn and Gabriel de Marmiesse and Edouard Grave and Patrick Pérez and Laurent Mazaré and Alexandre Défossez},
      year={2025},
      eprint={2509.08753},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2509.08753}, 
}