研究人员已开源 Gepard 1.0，这是一款面向实时对话的流式优先文本转语音模型，随着文本输入逐帧生成音频。该模型基于 Qwen3.5 0.8B 骨干网络与 Nemo NanoCodec 构建，支持英语、西班牙语、葡萄牙语和荷兰语的零样本声音克隆。

  • 使用 Qwen3.5 0.8B 骨干网络和 Nemo NanoCodec (FSQ, 22.05kHz)，约 5.55 亿参数
  • 在单张 RTX 5090 上通过 vLLM 实现约 20 倍实时因子和约 50ms 首音频延迟
  • 在配备 96GB VRAM 的单张 RTX Pro 6000 Blackwell 上支持最多 256 个并行序列
  • 在 Seed-TTS-eval 基准测试中取得 NISQA-MOS 4.25 的领先成绩，在感知质量方面超越 VoxCPM2、Fish-S2、OmniVoice、Qwen3-TTS、Echo-TTS 和 Chatterbox Turbo
  • 采用 Apache 2.0 许可证，提供推理、vLLM 服务和训练的代码

流式优先设计优先考虑自然实时语音交互而非精确说话人相似度，使其适用于低延迟比完美声音匹配更关键的应用场景。