PiVo-1.4M

PiVo-1.4M

用两个合成声音 Pi 和 Vo 说英语，完整的文字转语音模型只有约 140 万参数，在 CPU 上运行，不需要网络连接。这是一个研究模型。

由 empero-ai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：PiVo-1.4M 是一个很小的文字转语音模型，用 Pi 和 Vo 两个声音朗读英语。包括声码器在内，整套模型共有 1,401,562 个学习得到的参数，输出 16 kHz 单声道音频。

语音在你自己的 CPU 上生成，用的是 NumPy 和 ONNX Runtime。生成语音时不需要 PyTorch、教师模型、说话人编码器，也不需要网络连接。

适合谁：适合想在普通硬件上用极小模型输出语音的开发者和研究者，也适合研究一个声音到底需要多少参数的人。

Industry | Who uses it | How they use it | Example
软件 | 离线应用的开发者 | 不用 GPU 就添加本地语音输出 | 在 CPU 上朗读一条通知
研究 | 语音合成研究者 | 研究很小的声学模型和声码器 | 把它的清晰度和更大的系统对比
硬件 | 算力有限的团队 | 在小型机器上运行语音 | 在轻量程序里使用 ONNX 文件

如果你需要英语以外的语言或最自然的声音，可以跳过它，因为卡片称它是研究模型，有些句子听起来有点机械。

用在哪里：

• 装有 Python 3.11 或更新版本的 Windows、macOS 或 Linux 上的 CPU
• 终端，通过推理脚本
• Python 程序，通过 PiVo 类
• 配套代码仓库，卡片说它增加了命令行工具、HTTP 服务器和 Dockerfile

Use case | Who | What they get back
离线旁白 | 开发者 | 由你的文字生成的 16 kHz 单声道 wav 文件
流式播放 | 应用构建者 | 以 10 ms 帧输出的音频，句子没说完就能开始播放
自定义发音 | 有特殊名字的人 | 按你写的 ARPAbet 拼写发出的语音

如何设置：

• Python 3.11 或更新版本
• 模型仓库的克隆，因为命令要在它的文件夹里运行
• 它的 requirements 文件里的包

1. 创建虚拟环境。
2. 激活它。
3. 安装依赖。
4. 为你想要的声音运行 synthesize 命令。

python -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python inference.py synthesize --model-dir . --voice Pi \
  --text "NASA is ready for the next mission." --output pi.wav
python inference.py synthesize --model-dir . --voice Vo \
  --text "Hello, my name is Vo." --output vo.wav

如何使用：用声音、文字和输出文件运行 synthesize 命令，或者在 Python 里调用 PiVo 类。

from pivo import PiVo

model = PiVo(".", threads=1)
model.save("pi.wav", "NASA is ready for the next mission.", voice="Pi")

audio = model.synthesize("Hello, my name is Vo.", voice="Vo", speed=1.0)
# float32 mono PCM at model.sample_rate (16000 Hz)

Tool | What it does
inference.py synthesize | 命令行方式，为选定的声音写出 wav 文件
PiVo class | Python 入口，用模型文件夹和线程数启动
model.save | 根据文字和声音写出 wav 文件
model.synthesize | 返回音频采样，速度可设为 0.5 到 2.0
iter_audio | 在生成其余部分时以 10 ms 帧输出音频

示例：你用声音 Pi 运行第一个 synthesize 命令，句子是 NASA 已为下一次任务做好准备。它会写出 pi.wav，用 Pi 的声音录下这句话，格式是 16 kHz 单声道。

新手与专家：如果你刚接触语音模型，先试那两个命令行例子，听听 wav 文件。句子要短，因为一段话最长只能是 30 秒。

如果你熟悉这个领域，一个 584,965 参数的声学模型预测声码器特征，一个源自 FARGAN、816,597 参数的声码器把它们变成音频。前端用 CMU 发音词典，遇到不认识的词会报错。

文字被清理并在词典里查找
声学模型预测声码器特征
源自 FARGAN 的声码器生成音频
16 kHz 单声道 wav 文件

注意事项：

• 发音覆盖用 ARPAbet，所以不认识的词需要你自己写出发音
• 像 CPU 这样的缩写按字母逐个读，而 NASA 读成一个词
• 除非改动默认设置，单次请求最多 2,000 个字符或 512 个前端词元，所以要把更长的文字拆成句子
• 词错误率说明词能听清，但它不衡量自然度
• 两个声音都是合成的，用 Qwen3-TTS 模型设计并录制

Title: 留出句子上的词错误率，越低越好
验证集: 0.863 百分比
测试集: 0.532 百分比

• License: Apache 2.0
• Cost to run: 没有提到
• Data it reaches: 你给它的文字和你下载的文件，说话时不需要网络连接
• Not for: 英语以外的语言，或者通过 Transformers AutoModel 类或托管的推理服务加载

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：onnx
• 最近 30 天下载：0
• 点赞：59
• 许可证：apache-2.0
• 语言：en
• Quantized versions: 1
• 标签：onnx, pivo, fargan, english, text-to-speech, small-model

链接

• 模型：https://huggingface.co/empero-ai/PiVo-1.4M
• 文件：https://huggingface.co/empero-ai/PiVo-1.4M/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download empero-ai/PiVo-1.4M

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。