Soprano 是一个超轻量级的开源文本转语音（TTS）模型，专为实时、高保真语音合成而设计，在保持模型紧凑且易于部署的同时，实现了前所未有的速度。

Soprano 仅包含 8000 万参数，实时因子（RTF）高达 ~2000×，可在 20 秒内生成 10 小时的音频。Soprano 采用 无缝流式传输 技术，实现 <15 毫秒 的真正实时合成，比现有 TTS 流水线快多个数量级。

主要功能

• 高保真 32 kHz 音频：

  Soprano 以 32 kHz 采样率合成语音，其清晰度在听感上与 44.1 kHz 音频无异，显著优于许多现有 TTS 模型所使用的 24 kHz 输出。

• 基于 Vocos 的神经解码器：

  Soprano 未采用缓慢的扩散解码器，而是使用 基于 Vocos 的解码器，在保持相近感知质量的同时，实现 数量级更快 的波形生成速度。

• 无缝实时流式传输：

  Soprano 利用解码器有限的感受野，以 超低延迟 无损地流式传输音频。流式输出在声学上与离线合成结果完全一致，可支持亚帧级延迟的交互式应用。

• 先进的神经音频编解码器：

  语音通过一种 神经编解码器 表示，仅以 0.2 kbps 的码率将音频压缩至 约 15 个 token/秒，在不牺牲音质的前提下实现极快的生成速度和高效的内存使用。

应用场景

• 场景描述一

集成至手机/AR眼镜/智能终端，将网页、PDF、电子书、短信、通知等文字内容毫秒级转为自然语音，支持逐句/逐词流式朗读，无卡顿、无预加载。

• 场景描述二

在直播、远程会议、教育陪练、心理陪伴机器人等场景中，驱动虚拟人口型与语音同步生成，实现“思考即发声”的拟人化交互（如用户刚说完问题，AI 已在 30–50 ms 内开始作答）。

• GitHub仓库：https://github.com/ekwek1/soprano

【ekwek/Soprano-80M】模型已经在趋动云『社区项目』上线，无需自己创建环境、下载模型，一键即可快速部署，快来体验【ekwek/Soprano-80M】带来的精彩体验吧！

项目入口

https://open.virtaicloud.com/web/project/detail/660765566332035072

视频教程

https://www.bilibili.com/video/BV1n3ikBkEFz/?vd_source=85d5574e8763d2ef3afdafc50f2b9d43

启动开发环境

进入【ekwek/Soprano-80M】项目主页中，点击运行一下，将项目一键克隆至工作空间，『社区项目』推荐适用的算力规格，可以直接立即运行，省去个人下载数据、模型和计算算力的大量准备时间。

配置完成，点击进入开发环境，根据主页项目介绍进行部署。

使用方法

在/gemini/code中找到使用说明，选中使用说明单元格，点击运行。

等待生成local URL，右侧添加端口7860。

项目使用方法

示例展示

➫温馨提示： 完成项目后，记得及时关闭开发环境，以免继续产生费用！