FlashLabs推出Chroma 1.0：首个开源实时语音对话模型，支持低延迟个性化语音克隆

在虚拟人交互与语音合成领域，兼顾低延迟、高保真语音克隆、多轮对话理解的模型一直是技术难点。由FlashLabs开发的 Chroma 1.0 正是一款突破性的多模态因果语言模型，它不仅能直接处理音频输入、同步生成文本与合成语音，更是首个开源的实时语音对话系统——凭借轻量级4B参数架构，实现了总延迟低于1秒的高自然度语音交互，为虚拟助手、个性化语音服务等场景提供了高效且可扩展的解决方案。

• 项目主页：https://www.flashlabs.ai/flashai-voice-agents
• Hugging Face：https://huggingface.co/FlashLabs/Chroma-4B
• 魔塔：https://modelscope.cn/models/FlashLabs/Chroma-4B
• Demo：https://chroma.flashlabs.ai

模型核心信息：轻量架构，多模态能力打底

Chroma 1.0 定位为面向语音交互的虚拟人模型，核心架构由四大模块协同组成，兼顾理解与生成能力，同时保持轻量化特性：

基础属性

• 模型类型：多模态因果语言模型
• 开发方：FlashLabs
• 支持语言：英语
• 许可证：Apache-2.0（完全开源）
• 参数量级：4B（轻量级设计，兼顾性能与部署效率）

核心功能：四大能力，重构实时语音交互体验

Chroma 1.0 围绕“理解-生成-个性化-多轮对话”构建完整能力闭环，打破传统语音系统“理解与生成分离”的局限：

1. 实时低延迟语音交互
   采用交错的文本-音频令牌调度（1:2）机制，支持流式生成，系统总生成延迟仅 146.87毫秒，实时因子（RTF）达0.43——生成速度比实时播放快2.3倍，完全满足在线客服、语音导航等实时场景需求。
2. 高保真个性化语音克隆
   仅需几秒参考音频，就能精准捕捉说话人的音色、语速、情感等核心特征。零样本设置下语音相似度（SIM）达 0.817，比人类基线（0.73）高出10.96%；在说话人相似度（SCMOS）上与ElevenLabs持平，可广泛应用于语音恢复、虚拟主播个性化语音生成等场景。
3. 多轮对话风格一致性
   在连续多轮对话中，能稳定保持克隆语音的风格统一，即使中途更换说话人参考音频，也能快速适配新的声音特征，避免对话过程中语音风格割裂。
4. 语音理解与推理
   基于Qwen2.5-Omni-3B推理模块，不仅能生成语音，还能深度理解语音输入的语义，支持复杂对话任务推理，在口语对话能力上媲美GLM-4-Voice等大型模型，且参数量大幅降低。

核心特点：四大优势，轻量化架构的性能突破

Chroma 1.0 之所以能在轻量级参数下实现高性能，关键在于四大技术特点的加持：

1. 低延迟流式架构
   令牌调度机制实现文本与音频生成的并行处理，无需等待完整输入即可开始输出语音，从根本上缩短交互延迟，适配实时场景。
2. 高保真语音合成
   通过条件生成模型优化声学特征映射，结合Mimi编解码器的24kHz高采样率，确保合成语音的自然度与清晰度，兼顾“像”与“好听”。
3. 轻量级高效设计
   4B参数量级远小于同类大模型，在保证语音克隆与对话能力的前提下，大幅降低部署的硬件门槛，普通GPU即可流畅运行。
4. 开源可扩展性
   代码与模型完全开源，支持社区二次开发与功能扩展，无论是学术研究还是商业应用，都能基于现有架构快速定制个性化语音解决方案。

测试表现：数据说话，性能对标行业标杆

在多项核心指标测试中，Chroma 1.0 展现出远超同量级模型的实力：

应用场景：四大方向，赋能多领域语音交互

Chroma 1.0 的技术特性使其能覆盖从消费级到企业级的多样化语音需求：

1. 智能虚拟助手
   为智能音箱、车载助手等设备提供自然个性化的语音交互，用户可自定义助手音色，实现更有温度的对话体验。
2. 语音克隆服务
   助力语音恢复（为语言障碍者生成个性化语音）、影视配音（快速克隆演员音色）、有声书制作（定制主播声音）等场景。
3. 实时语音交互系统
   应用于在线智能客服、语音导航、远程会议实时语音转写与回应，提升服务效率与用户体验。
4. 创意内容生成
   为内容创作者提供快速语音生成工具，支持根据参考音频生成特定风格的旁白、角色台词，适配短视频、动画、游戏等内容制作。