TontaubeV1.1 本機語音模型:1.8GB 下載、聲音複製與有聲書怎麼用?
TontaubeV1.1 提供1.8GB四位元語音模型、參考聲音複製與五種風格控制。整理Linux、CPU與GPU條件、英德語優先、中文不支援,以及模型授權與有聲書驗收。
TontaubeV1.1 可以在本機把文字念成聲音,也能用一小段參考錄音指定聲音。四位元版本的下載約一點八GB,但下載檔案小,和整套程式只需同樣記憶體,是兩件事。
這個版本在 2026 年 11 月 15 日的 X 貼文受到關注,官方推論程式固定的 v1.1.0 提交日期為十一月十二日。它新增五種聲音風格控制,也提供較小的預設模型,讓小型顯卡或相容處理器能試用。
完整模型約二十九億參數,先決定語音內容與長度,再逐層補上聲音細節。它需要自己的推論伺服器與相應元件,不能當成一般聊天模型直接載入。
官方主要支援英語與德語,另列五種歐洲語言。這版會移除中文等不支援的書寫系統,若沒有可讀文字就拒絕請求;測速也有預熱與硬體條件,不能把展示直接套到台灣日常配音。
我會先用自己能逐句核對的短文測發音和漏字,再測長段落與聲音控制。若目標是中文配音或收費語音服務,應先確認語言與模型授權,避免只因能下載就直接投入工作。
要判斷它是否適合自己的聲音工作,先分清小模型包、推論伺服器與聲音輸出各自需要什麼。
TontaubeV1.1 把內容與聲音細節分層生成
四個預測器分別產生主要語意與後續聲學細節,最後再把代碼還原成音訊。
文字轉語音的工作,不只是把字逐一念出來。因為內容、時長與音色是不同問題,模型需要分別決定何時停頓、如何補上聲音細節。Tontaube 因此把工作拆到不同層,讓主要內容與聲學細節有各自的預測步驟。
主要語意與時長先由一個預測器處理,再交給另外三個逐步增加聲學資訊,最後透過音訊元件還原成可播放的聲音。這裡的代碼是聲音表示,不是使用者需要手寫的程式。
其文字骨幹衍生自 Qwen3,但輸出層與輸入安排已為語音工作調整。因為這些輸入與輸出安排已經改變,下載檔不能直接當成一般聊天模型丟進相同載入器,官方明確要求使用相應版本的推論伺服器。
這條工作路徑還使用 DualCodec、VibeVoice 等元件,V1.1 另加入調整聲學表示的轉接器。這些模型權重是訓練學到、供程式使用的數值,所以伺服器要負責把它們與這些元件接成實際生成流程,兩者要一起對版。
分層設計也影響長篇輸出。程式會安排文字與聲音區塊的邊界,再接續生成,而不是要求一次把整本書都放在同一個短暫狀態裡。能接續處理和長篇完全不漏字仍是不同能力,後面需要逐段核對。
生成方式分清楚後,才容易看懂為什麼下載一份權重仍需要其他元件。

1.8GB 是下載大小,記憶體與執行環境另算
預設四位元模型與全精度模型使用不同後端,安裝條件也不相同。
官方把四位元版本設為多數用途的預設起點,下載約一點八GB;全精度版本約六點四GB。四位元以較少位元保存部分模型數值,所以能降低檔案大小。但運行還有快取與其他資料,不能用同一數字估算整套需求。
依固定版本 README,預設後端在顯卡載入約需四 GiB 記憶體,較長文字與相關音訊處理時,峰值約六點五 GiB。因為運行中的資料更多,顯示記憶體量測與下載容量不能互換,使用時也要留給系統與其他程式空間。
全精度模型使用 vLLM 後端,官方列出至少二十四 GiB 顯示記憶體的條件。因為全精度與多路工作需要更多資源,這條路線面向較大顯卡;小型顯卡或處理器試用,則採另一組預設後端。
處理器路徑則需要 Linux 的 x86-64 環境,支援指定指令集並有編譯工具。Windows 使用者可採 Linux 子系統,原生 Windows 與 macOS 沒有列為支援配置,不能只看到 CPU 三個字就推論每台筆電都能直接執行。
官方說明,一台十二核心、雙通道 DDR4 的桌上型處理器約能達到即時速度,但記憶體頻寬會限制產出,長串流因此可能在區塊間停頓。即時是生成聲音的速度約跟播放相當,不等於每個短問句都立即開始出聲。
第一次啟動還會下載其他必要模型並準備快取。因為第一次準備的工作更多,估計部署時間時應把它與後續重用分開,避免只看主模型的一點八GB就低估整套環境。
環境能啟動之後,參考聲音和風格參數才有可比較的輸出。
參考聲音與五個控制滑桿,改的是不同條件
參考錄音提供聲音特徵,語速、停頓與音高等滑桿則改變說話方式。
官方建議參考錄音約五至六十秒,內容清晰並只有一個人說話。參考提供的是聲音特徵與說話條件,和輸入文字要念什麼是兩條不同資料,錄音越長也不會無上限增加可用資訊。
不提供參考時,伺服器使用預設的 Marcus 聲音,也有其他附帶的合成聲音可選。因為參考錄音會增加一個變因,先用預設聲音核對文字,再加入參考,才容易分清內容處理與聲音條件的影響。
V1.1 新增的五個控制,分別調整語速、停頓、音高變化、音高高低與斷續清晰的發音方式。語速變快和停頓減少不完全一樣,因為兩者都能縮短聽感上的等待,同時改動時就較難知道是哪一項讓整句聽起來趕。
各滑桿的級數也不同。大多數使用零到四,音高變化有零到五,發音連接則是零到二;後者的二代表一般發音,較低設定增加斷續感,也會稍微縮短停頓。因此,各滑桿不能都用同一方向理解。
比較控制效果時,最好固定同一段短文,一次只改一項。含數字、標點與對話的文本,比每次換不同內容更容易聽出差別,也能同時觀察是否漏字或改字。
另外的英語文字口語化工具預設關閉,需要在伺服器與請求兩端一起啟用。它可以處理書寫與口說形式差異,但也可能誤改原文,不能把有聲書中的重要數字完全交給它而不核對。
聲音像不像和內容有沒有念對,接著仍要用同一段文本比較。
主要語言與舊版評測,不能當成全語言品質保證
官方主要支援英語與德語,模型卡的成對評測則來自前一版英語朗讀。
這一版把英語與德語列為主要語言,另支援西班牙語、法語、義大利語、荷蘭語與葡萄牙語。額外語言沒有原生使用者評測,德語發音也有已知不完美之處,語言出現在清單上不代表品質相同。
中文的限制更明確。固定版本程式主要以一百六十八個支援字元處理文本,其他書寫系統會被移除,剩下沒有可讀文字時回傳 422。因此它不是一個只差中文測評、卻可直接當中文配音使用的版本。
模型卡也列出英語有聲書的自動比較,但說明那是前一版 TontaubeV1 的結果。這次更新的控制功能與較小模型,不能順手繼承為相同分數已在 V1.1 重測。
舊版比較使用四百段固定英語文本,讓模型裁判按兩種呈現順序評判韻律與文字正確性。因為裁判只按指定文本判斷韻律與正確性,結果不涵蓋聲音相似度、跨語言品質或整本書長期連續性。
對照聲音也不完全相同:部分服務使用固定供應商聲音,Tontaube 使用複製參考。官方因此保留可能影響比較的限制。一般讀者更適合先聽自己的文本,而非用一張舊評分圖決定所有用途。
模型可能漏字、重複、改動文字或提早結束。若工作需要逐字忠實,驗收就應保存原稿與輸出,逐段核對,不能只因聲音自然就把內容視為正確。
品質範圍確認後,再把等待時間放回對應硬體與工作方式。
十三倍即時速度,來自已預熱的 RTX 5090
官方吞吐與首段聲音數字排除啟動、載入和網路,批次與單次結果也不同。
官方在已預熱的 RTX 5090 上,報告單次合成約十三倍即時速度,批次約二十一至二十三倍。預熱指程式與模型已經準備好,這些數字沒有包含啟動、載入與網路傳送。
單次與批次也要分開理解。批次把多項工作一起安排,適合看一段時間能產生多少聲音;對只按下一次播放的人,等待第一段音訊與中途是否斷續,可能更直接影響體驗。
同一份說明列出串流第一段音訊的中位時間約一百九十二毫秒,但仍在相同的預熱條件中。若第一次開機還要下載模型,使用者看到的等待就不會只剩這一個數字。
串流與非串流輸出的處理也不同。一般完整輸出可以包含聲音增強、縮短過長停頓等處理;串流則有另一條路徑,不會全部套用同樣後製。所以即使文字相同,兩份音訊也可能經過不同處理,不能直接歸因為模型表現差異。
播放器還要先累積一段內容。增加初始緩衝通常讓開始播放更晚,卻能留更多餘裕給後續生成;縮得太短則可能更常等待下一塊。這是使用體驗的取捨,不能只挑最低首段數字。
導入時可以分別測首次啟動、預熱後短文與長段落,記錄開始播放和整段完成。讓每項結果對上自己的電腦與輸出方式,速度比較才有實際用途。
速度對得上用途後,還要看使用模式是否符合模型與程式各自授權。
程式與模型授權不同,先驗短文再做長篇
推論程式採 Apache 2.0,模型權重另有社群授權與商業使用條件。
程式負責把模型接成服務,權重則提供實際運算的數值。兩者來源與授權範圍不同,所以修改程式的權利,不會自動決定權重能如何交給客戶;第三方音訊元件也有自己的條件。
因為模型採另一份授權,非商用研究與評估也要按其範圍使用,社群商用則以使用者及關係企業的合計營收判斷,門檻為低於二十萬歐元。達到門檻後的使用與過渡安排,應按原始條款核對。
把模型開成對外語音生成服務,另有不論營收都需要商業許可的條件,有限的非生產展示才有例外。用它替自己產出一份音檔,與讓別人透過介面任意生成聲音,不是同一種提供方式。
參考聲音與文本也要有適合用途的權利。選自己的錄音或取得允許的聲音,能讓技術試驗有清楚來源;生成出的聲音則不應被拿來當說話者真實身分的證明。
第一輪先選自己能聽懂的一段短文,確認內容與發音,再增加長度、風格與參考聲音。若工作以中文為主,這版的文字支援就已經不符合需求,沒有必要先花時間追最高吞吐。
適合它的試用者,是願意固定版本、使用支援語言並核對結果的人。等環境、權利與文字正確性都成立,再把單段試驗擴大成有聲書,會比一次生成整本後才發現問題更容易修正。
把文字正確、聲音與使用條件一起驗收,才有依據擴大到有聲書。
TontaubeV1.1 常見問題
語言、硬體與模型使用條件,比單看下載容量更會影響採用決定。
一點八GB 就是整台電腦只要的記憶體嗎?
那是四位元模型下載大小。程式還會使用模型運算、快取與其他元件,顯卡的載入及峰值需求也高於下載容量。
可以直接用來念中文嗎?
這版沒有支援中文書寫系統,固定程式會移除不支援內容,沒有可讀文字時拒絕請求。不能把它當成可直接使用的中文配音模型。
CPU 能跑,代表 Mac 也有官方支援嗎?
官方列的是 Linux x86-64 配置與指定指令集,原生 macOS 不在支援範圍。應按推論程式的環境要求確認,不能只看處理器標籤。
程式開源,模型就能免費做收費服務嗎?
推論程式與權重採不同授權。社群商用有營收條件,但對外語音生成服務另需許可,所以應依自己的提供方式核對原文。
先完成自己能聽懂、能逐字核對的一段短文,再增加長度與工作量。