和 AI 语音聊天时，最扫兴的往往不是声音不够像真人，而是你说完后，它停顿一下才开口。Gepard 1.0 想缩短这段等待：它是一款约 5.55 亿参数的流式 TTS——把文字变成语音时，不等完整句子到齐，而是边接收文字、边逐帧输出声音。
作者称，在单张 RTX 5090 上通过 vLLM 运行时，Gepard 的 TTFA（从请求开始到听见第一段声音的时间）约为 50 毫秒，并达到约 20× realtime，即一秒计算可生成约二十秒音频。不过，实际延迟仍会受硬件、并发和流式调度影响。它还支持用几秒参考音频进行零样本声音克隆，并覆盖英语、西班牙语、葡萄牙语和荷兰语。
这套取舍很明确：作者公布的对比测试中，Gepard 获得 4.25 的 NISQA-MOS 感知质量分，但说话人相似度为 0.585，词错误率为 0.036。换句话说，它优先保证自然、迅速地接话，而不是最精确地复刻某个人的声音。上述速度与质量结果均来自作者自述。