做本地有声书，难点不只是“把字念出来”：模型还要连续读很久，语气不能太僵，最好也别让听众等太久。TontaubeV1 是一款 2.9B 参数的开放权重 TTS——也就是把文字变成语音的模型，主攻英语和德语。它还能用最长一分钟的参考录音做零样本声音克隆，即无须针对某个声音重新训练，就能模仿其声音特征。
它把语音生成拆给四个自回归模型，按顺序从粗略的语义结构补到细致的声学信息；滚动上下文窗口则让模型一边忘掉过远内容、一边继续生成，从而支持流式、理论上不受固定篇幅限制的长文本。据发布者自测，预热后的 RTX 5090 约 200 毫秒可产出首段编码音频，批处理时速度最低达到 0.02 RTF——生成一秒语音约需 0.02 秒，相当于约 50 倍实时速度。
代价是当前门槛不低：低显存和平衡配置仍需至少 24 GB 显存，高吞吐配置需 32 GB。发布者还称其在 400 段、由大模型担任评委的有声书测试中，韵律表现对 ElevenLabs Flash v2.5 得分为 50.1%；但尚未完成大规模真人听测，真实听感仍待验证。