想让电脑用你的声音念一段新文字，通常要带着一个不小的语音模型。Kyutai 这次把 Pocket TTS 缩到 190 万参数：据其官方博客与 GitHub，团队于 10 月 20 日发布了 18.2M、6.9M 和 1.9M 三档英文模型，而且参数量已经包含音频解码器——把模型生成的紧凑表示还原成声音的部分。
最值得看的不是“最小模型也和大模型一样好”，而是取舍被摆到了桌面上。官方称，18.2M 版本能达到此前约 100M 参数版本的质量；1.9M 版本则是更激进的尺寸与质量实验，并未宣称无损缩小。参数少通常意味着更低的存储和内存压力，但不自动等于运行更快或效果更好。
Pocket TTS 可直接读取普通 WAV 录音，提取音色后朗读新文本；也能预先保存 voice embedding——一份代表音色的数字特征，省去反复处理录音。项目还提供 Linux、macOS 和 Windows 独立程序，无需 Python 或 PyTorch。它让本地个性化语音更容易部署，也让参考录音的授权与声音冒用问题变得更迫近。