2026-05-18

Irodori-TTS-500M-v3 (Aratako)

日语TTS，表情符号控制风格，零样本克隆

入选理由: 有HF Space可试用；v3为同系列升级有改进。
对位: 对标 Echo-TTS 及日语 TTS 方案
适合: 零样本日语语音克隆 / 表情符号驱动风格与音效控制
不适合: 非日语文本或需精确汉字阅读
规模: 500M · 未知 · Q4 ~0.3GB / FP16 ~1.2GB
授权: MIT · 可商用
框架: pytorch
血统: 微调自 Irodori-TTS-500M-v2
可信度: 67 赞，基于 Echo-TTS 架构，500M 参数，集成 SilentCipher 水印

仅 safetensors · 无 pickle 加载风险

社区实测

日文 TTS 基础模型，emoji 风格控制是最大差异化功能，社区围绕它做了 OpenAI 兼容服务和轻量微调方案。

通过 emoji 控制日文语音的情感与风格（如😭带哭腔）
提供了比 LoRA 更轻量的说话人嵌入训练方法（Speaker Inversion）
OpenAI TTS API 兼容服务器，方便接入现有工具链

使用 whisper 音频做参考时，因 emoji 标注的 conditioning 方式可能导致参考音复现度偏低
实际推理需要 CUDA 或 ROCm GPU，纯 CPU 不实用

来源

Aratako/Irodori-TTS-500M-v3 · Hugging Face GitHub - Aratako/Irodori-TTS-Server: OpenAI Text-to-Speech API compatible server for Irodori-TTS · GitHub Training Voice Embeddings with Irodori-TTS: A Lighter Alternative to LoRA I tried out Irodori-TTS V3, a local AI that lets you specify a voice and have it speak your favorite lines. You can specify the length of the voice and easily control emoji emotions. - GIGAZINE

截至 2026-06-21