PiVo：全套仅 140 万参数英文 TTS，含声码器，ONNX+CPU 离线推理，无重型框架依赖

Empero AI 推出科研向轻量英文语音合成模型 PiVo，核心目标探索一套完整 TTS（文本→波形，声学模型 + 声码器全部计入）的参数下限。整套可学习参数合计仅 140 万，对比作为教师模型的 Qwen3-TTS（17 亿参数）规模缩小约 1200 倍。内置两个固定音色：女声 Pi、男声 Vo，无音色克隆能力。

模型：https://modelscope.cn/models/empero-ai/PiVo-1.4M

整套链路分为规则文本前端、58 万参数声学模型、81 万参数改造版 FARGAN 声码器，全部导出为 ONNX 文件。推理仅依赖 ONNX Runtime 与 NumPy，不需要 PyTorch、对齐器、说话人编码器，全程 CPU 离线、支持流式输出音频，输出 16kHz 单声道音频。

技术架构与核心特性

极致轻量化与完整链路：模型总计仅 140 万可学习参数（包含 58 万参数的声学模型与 81 万参数的 FARGAN 衍生声码器），相比传统百亿级大模型缩小了上千倍，且统计口径包含了从文本到波形的全部环节。
零重型依赖的纯 CPU 推理：模型导出为 ONNX 格式，仅需 NumPy 和 ONNX Runtime 即可运行。推理阶段完全剥离了 PyTorch、教师模型、音色编码器或网络连接，支持流式音频输出，极大降低了部署门槛。
规则优先的透明文本前端：采用确定性规则处理数字、日期等，并严格依赖发音词典。对于未收录的生词，模型不会强行“幻觉”读音，而是抛出异常交由用户手动指定，确保了发音错误的透明化与可控性。
高度可复现性：ONNX 导出文件与原始训练模型输出在数值上几乎完全对齐，不同部署环境下表现一致，且生成的音频无信号削波或爆音问题。

性能表现与已知局限

高可懂度与音质妥协：在测试集上，PiVo 生成的语音文字错误率（WER）低至 0.532%，单词发音清晰准确。但受限于极小的参数量，部分句子仍带有明显的金属感或机械感，声音自然度存在妥协。
功能边界明确：目前仅提供 Pi（女声）和 Vo（男声）两种固定音色，不支持语音克隆或其他语种；单次生成限制在 30 秒以内。此外，官方未公开完整训练数据集，外部仅能复现推理过程而非完整训练流程。