我做了个 sanoTTS：最小完整 TTS 模型仅 29.4 万参数（337KB），能在 3 美元单片机上跑，还有 146 万参数的版本打败了比它大 3 倍和 10 倍的模型

我一直在折腾怎么把 TTS 模型压到极小，目标是在没有 NPU、只有 512KB SRAM 的 3 美元芯片上跑起来。

折腾的过程中，我做出了 sanoTTS 这个系列：

支持 11 种嗓音、6 种语言

参数规模从 29.4 万到 220 万不等，对比一下，比 kokoro 小 1000 倍，比 voxtral TTS 小 9000 倍

150 万参数版本 SCOREQ 4.13、UTMOS 4.10

29.4 万参数版量化成 int8 后只有 337KB

能在网页里用 WebAssembly 跑，装个 sanotts-web 就行

还给了扩展教程，可以自己加语言、加嗓音

我可以很确定地说，这次发的一堆模型里包含了史上最小的神经 TTS 模型，在 whisper 上词错率大概 2%。

在 SCOREQ 上，sanoTTS-Amy（151 万）比 Inflect Nano（463 万）和 KittenTTS（1500 万）都强：4.13 对 3.81 对 3.02。

在 esp32 上实时因子 0.225，说白了就是 1 秒能生成 4 秒音频。

有啥问题随便问。