Mach Boom

Mach Boom

用 Gradium 的 Phonon 31m 模型的 3.5 位版本，在单个 CPU 核心上把英文文字变成语音，速度比实时快好几倍，适合需要小巧本地语音输出的开发者。

由 SyzygyResearch 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：Mach Boom 是一个英文文字转语音模型。它把 Gradium 的 Phonon 31m 模型压缩到每个权重 3.5 位，文件不到 20 MB。模型卡说它在一个 CPU 核心上的朗读速度是实时的 8 到 10 倍，所以不需要 GPU。

适合谁：想用小型本地模型输出语音的开发者会觉得合适，尤其是只有 CPU 的机器。它自带四种声音，还可以添加更多声音文件。

行业 | 谁在用 | 怎么用 | 例子
软件 | 应用开发者 | 不用 GPU 或托管服务，给程序加上语音输出 | 把状态消息读出来
无障碍 | 工具开发者 | 在普通 CPU 机器上朗读书面文字 | 一个读屏辅助工具
预订与出行 | 服务开发者 | 朗读包含编号、时间和日期的确认信息 | 朗读一个预订编号
边缘计算 | 嵌入式开发者 | 在内存很小的小机器上运行语音 | 在配置不高的服务器上输出语音

如果你用的是 Windows 或 macOS，可以跳过它，因为模型卡列出的要求是 x86-64 上的 Linux。

用在哪里：

• x86-64 上的 Linux，从命令行使用
• Python 脚本，通过 MachBoom 类
• 通过管道接到音频播放器，用于流式播放

用途 | 适合谁 | 得到什么
生成 WAV 文件 | 手里有文字的人 | 用你选的声音朗读的文件
流式语音 | 应用开发者 | 第一个片段准备好就开始输出的音频
调整线程 | 性能工程师 | 线程越多，语音生成越快

如何设置：你需要 x86-64 上的 Linux 和一个 C 编译器，因为第一次运行会针对你的 CPU 构建语音内核，大约需要 5 秒。

• x86-64 上的 Linux
• Python 3.8 或更新版本
• numpy 和 tokenizers
• gcc 或 clang

1. 安装 Hugging Face 的 hub 软件包。
2. 把模型下载到名为 mach-boom 的文件夹并进入它。
3. 安装 numpy 和 tokenizers。

pip install -U huggingface_hub
hf download SyzygyResearch/Mach-Boom --local-dir mach-boom && cd mach-boom
pip install numpy tokenizers

如何使用：用文字、输出文件和声音名称运行 tts.py。加上线程数可以提速，也可以把原始音频流式传给播放器。

python tts.py "Your booking reference is AB-4471-Z, and the meeting moved to 3:30 p.m." -o out.wav --voice Zoey
python tts.py "..." -o out.wav --threads 4
python tts.py "..." --pcm --first 2 | aplay -q -r 24000 -f S16_LE

在 mach-boom 文件夹里，同样的事情也可以用 Python 完成。

from mach import MachBoom

tts = MachBoom("mach-boom.bin", voices_dir="voices", tokenizer="tokenizer.json")
wav = tts.synth("Call 020 7946 0018 before 5:30 p.m. on 14/03.", "Zoey", seed=0)  # float32, 24 kHz
for piece in tts.synth_stream("Your table is booked for 8 p.m.", "Zoey", first=2):
    ...

工具 | 作用
tts.py | 命令行脚本，写出 WAV 文件或流式输出原始音频
MachBoom 类 | Python 接口，synth 生成整段音频，synth_stream 分段输出
voices 文件夹 | 存放自带的四种声音：Zoey、Juniper、Everly 和 Harper

示例：你给 tts.py 一句包含预订编号和会议时间的话，选择声音 Zoey，并指定 out.wav 作为输出。生成的文件里会读出这句话，数字和时间也包括在内。

新手与专家：文字转语音就是把书面文字读出来。一个好的第一步是下载文件夹，安装两个软件包，然后用你自己的一句话运行那条单行命令。

模型卡介绍了针对 AVX-512 VBMI、AVX-512、AVX2 和纯 C 的内核，在带 AMX 的 Xeon 上，音频解码器以 bf16 分块运行。相同的种子和分块设置，在任意线程数下都会得到相同的音频。在它自己的单核测试中，内存峰值为 93 MB，流式输出时首段音频在 61 到 78 毫秒内出现。这些分数来自作者，用的是他们自己的困难测试集。

你的文字和声音名称输入
首次运行时针对你的 CPU 编译内核
3.5 位模型生成语音
输出 24 kHz 的 WAV 文件或音频流

Title: 困难英文句子上的词错误率，越低越好
Mach Boom: 5.18 percent
Underdog Woof Juno: 6.50 percent
Fish Audio Drama 3: 7.62 percent
Phonon 31m fp32: 8.61 percent
Phonon 31m 4-bit: 10.61 percent
Kokoro 82M: 14.07 percent
Pocket TTS: 18.13 percent
Kitten Nano 0.8: 18.56 percent

注意事项：

• License：Apache-2.0，与 Phonon 31m 及其声音相同
• Cost to run：没有提到
• Data it reaches：它读取你给的文字并写出音频文件，来源没有提到网络或账号访问
• 自带四种声音，Gradium 的 Phonon 声音集里的声音文件也可以直接放进去
• Not for：其他语言或系统，因为模型卡列出的是英语和 x86-64 上的 Linux
• 设置 PHM_AMX=0 可以在较新的 Xeon 上关闭 AMX 路径

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 最近 30 天下载：0
• 点赞：23
• 许可证：apache-2.0
• 语言：en
• 基于：gradium/phonon-31m-en
• 标签：text-to-speech, mach, on-device

链接

• 模型：https://huggingface.co/SyzygyResearch/Mach-Boom
• 文件：https://huggingface.co/SyzygyResearch/Mach-Boom/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 SyzygyResearch/Mach-Boom

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。