想在自己的电脑上给视频配音，最先卡住你的可能不是模型能力，而是显卡装不下。audio.cpp——一个让多种音频模型在本地轻量运行的工具——最近继续降低了这道门槛。其作者称，Higgs Audio TTS 的峰值显存降至约 6GB，比此前实现少48%。TTS就是把文字合成为语音；显存则像显卡手边的工作台，模型和计算过程放不下时，程序往往无法直接运行，或要把任务挪到更慢的内存。
这次调整发生在运行时，也就是模型真正执行计算的底层环节。作者称，优化没有牺牲结果一致性和正确性，Higgs Audio TTS的速度变化不大，为1.01至1.09倍；主要收益是更省显存。另一项明显改进来自HTDemucs——一种把歌曲拆成人声、鼓等声部的神经网络工具：其GPU分轨速度在CUDA环境下提升至2.21倍，在Vulkan环境下提升至1.95倍。换句话说，一边让语音合成更容易装进普通显卡，一边缩短本地分轨等待时间。不过，供稿未披露具体测试硬件、输入规模和实现细节，实际收益仍会随设备与任务而变。