Paradee：将 Kokoro-82M 蒸馏为 8M
来自 arXiv · 期号 2026-10-06
摘要
语音合成模型 Kokoro-82M 有 54 种声音、8200 万参数，跑在笔记本上有点吃力。 这篇论文把它蒸馏成一个只会说一种声音的 8M 参数模型 Paradee。做法分三步：先用大模型生成语料并保存音高、能量等特征；然后分别训练一个小文本端和一个小编码器；最后把两半接起来，权重量化到 int8。 蒸馏后的模型 8.5 MB，单 CPU 线程上跑得比真人说话快 25 倍，UTMOS 得分 4.41（老师是 4.52）。初期有轻微嗡嗡声，作者发现是 2–8 kHz 的浊音相位问题，加一个相位锁定滤波器就解决了，不需要重新训练。 代码和模型已开源。