Puheentuotannon avoin kärki on kulkenut kohti isompaa: Higgs Audio v2 ja Fish S2 Pro painavat lähes 5 miljardia parametria, ja niiden ajo vaatii kunnon näytönohjaimen. Audio8-niminen tekijäryhmä kulki tällä viikolla toiseen suuntaan. Sen TTS Preview 0.1B, joka nousi Hugging Faceen tiistaina ja jonka mallikortti täydentyi vielä tänään, tekee zero-shot-äänikloonauksen — puheäänen jäljittelyn yhdestä ääninäytteestä ilman hienosäätöä — mallilla, jonka generatiivinen osa on noin 170 miljoonaa parametria. Erillinen neuroverkko-koodekki, joka muuntaa mallin tuottamat äänitokenit 44,1 kHz:n ääneksi, painaa noin 120 miljoonaa lisää. Koko pino mahtuu alle gigatavuun.

Rakenne on kekseliäs kaksikaistainen: hidas autoregressiivinen haara ennustaa puheen semanttiset tokenit 24 kerroksella, ja nopea nelikerroksinen haara täyttää koodekin kymmenen koodikirjaa hitaan haaran tilan ehdollistamana. Pohjalla on Falcon H1 -arkkitehtuuri. Pääkielet ovat kiina ja englanti; saksa, espanja, ranska, italia, japani ja korea kulkevat mukana kokeellisina, ja mallikortin omat mittaukset näyttävät rehellisesti, että pienuus maksaa juuri niissä — kiinan ja englannin virheluvut ovat isojen mallien tasoa, mutta esimerkiksi italiassa ero 0.6B-sisarmalliin on kolminkertainen. Käyttö vaatii toistaiseksi PyTorchin ja trust_remote_code-lipun; GGUF-käännöksiä ei vielä ole.

Lisenssi ansaitsee huomion, koska se edustaa yleistyvää välimuotoa. Audio8 Community License sallii ei-kaupallisen käytön vapaasti ja kaupallisen käytön yrityksille, joiden vuosiliikevaihto on alle 2 miljoonaa dollaria — sen yli menevät tarvitsevat erillisen sopimuksen. Se ei ole avoin lisenssi OSI:n mielessä, mutta harrastajalle ja pienyritykselle se toimii kuten Apache: lataa, aja, muokkaa. Sama revenue cap -malli on levinnyt pelimoottoreista puhemalleihin muutamassa vuodessa.

Käyttötapaus on ilmeinen: puheääni laitteisiin, joihin isot mallit eivät mahdu. Alle gigatavun pino jättää 8 GB:n koneessa tilaa myös kielimallille, joten paikallinen ääniavustaja — puheentunnistus, pieni LLM ja kloonattu ääni — mahtuu ensimmäistä kertaa kokonaisuudessaan edulliseen mini-PC:hen tai järeämpään yksialustakoneeseen. Ja kuten aina äänikloonauksen kohdalla, sama ominaisuus on myös väärinkäytön työkalu: mallikortin vastuulausekkeet eivät estä ketään, joten terve epäluulo puhelimessa kuultua tuttua ääntä kohtaan on yhä ajantasaisin suojaus.