82M参数泰语TTS模型Wayu-Paxa-TTS-Edge发布，支持端侧运行
泰研究人员用OmniVoice合成数据训练出82M参数泰语TTS模型，无需参考音频即可端侧部署，关键词准确率达Gemini 3.1的85.5%。
AI解读：这项研究的核心是用大模型当老师，把15秒的声音样本扩成海量合成语音，再训练一个82M参数的小模型Wayu-Paxa-TTS-Edge，目的就是绕过"大模型推理贵"和"小模型需要专门录音"的两难。对开发者来说，最大的变化是泰语TTS能直接在手机或嵌入式设备上跑，不用每次请求都调用云端大模型，成本和延迟都能降下来。论文给出的硬指标是：关键词准确率68.2%，达到Gemini 3.1的85.5%；停顿位置准确率91.4%，好于老师OmniVoice的89.9%。但要泼冷水的是，这套方案依赖老师OmniVoice的生成质量，老师不会读的复杂文本、泰语特有的一词多义、声调错误这些问题，学生模型也会跟着错，论文也承认老师能力的局限仍然存在。所以短期看，最适合的是对成本敏感、对准确率要求不是极端的应用，比如语音助手或阅读工具；如果是医疗、法律这些容错率低的场景，还得等进一步优化。
泰国研究团队在一篇预印本论文中发布82M参数的泰语TTS模型Wayu-Paxa-TTS-Edge，该模型完全在合成语音上训练，无需参考音频即可在端侧运行泰语语音合成，关键词准确率为68.2%，达到对比系统Gemini 3.1的85.5%。论文于2026年9月3日提交至arXiv（编号2609.03502）。
训练方法与性能
该研究利用大型语音克隆模型OmniVoice作为可编程数据源，将15秒的简短语音参考转换为紧凑的固定声音学生模型，学生模型完全在合成语音上训练。研究者考察了文本准备、合成生成、质量过滤、拒绝采样和前端选择对最终学生模型的影响。
评估指标包括CER、挑战集关键词准确率、韵律停顿准确率、说话人相似度和语速。Wayu-Paxa-TTS-Edge的停顿精度为91.4%，优于其教师OmniVoice的89.9%，达到Gemini 3.1的94.8%；在泰语和英语上的CER分别为3.7%和1.1%，并在三个系统中实现了最低的停顿放置错误和词内停顿率。
- 模型参数量：82M
- 关键词准确率：68.2%（Gemini 3.1的85.5%）
- 停顿精度：91.4%（OmniVoice为89.9%，Gemini 3.1的94.8%）
- CER：泰语3.7%，英语1.1%
- 开源：模型和评估框架已开放
泰语特有挑战与局限
论文指出，泰语带来词边界模糊、词汇声调、专有名词和外来词、数字口语化以及泰英代码切换等挑战。研究强调，教师模型的错误会成为训练目标，而过滤失败的生成可能降低困难文本的覆盖率；教师能力的局限仍然存在。
来源仅为论文摘要，具体实验细节和完整结果需查阅全文。