免费CPU实测开源TTS：40M与80M模型离线语音生成对比

开发者iam_chonchol在免费Google Colab的2核CPU环境下，实测了hojoHQ开源的Hojo-TTS-Light两款模型，分别为40M参数内置语音版本、80M参数语音克隆版本，测试文本包含日常语句、技术词汇、价格日期、长句四类。

实测数据显示，40M版本磁盘占用241MB，峰值内存1.3GB，加载耗时6秒，生成1秒音频需要1.7秒；80M版本磁盘占用437MB，峰值内存2.2GB，加载耗时14秒，生成1秒音频需要3.5秒。两款模型在2核CPU环境下均无法达到实时生成速度，40M版本速度约为80M版本的两倍。

发音表现上，两款模型对日常语句、README、GitHub、CPU、下午3:45这类技术词汇的发音都清晰准确，但遇到包含1299.99美元、2026年10月12日这类价格和日期的文本时都会出错，使用时需要先把数字转写为文字。

自然度方面，两款模型朗读普通语句的效果都干净清晰，没有明显优劣差异。核心区别在于功能：40M版本内置15种现成语音，其中13种为英语、2种为中文；80M版本可以通过几秒的样本音频克隆出全新语音。

适用场景上，40M版本适合离线应用语音、朗读功能、通知提示、小型服务器批量旁白；80M版本适合需要自定义专属语音的场景。目前两款模型都还不支持在弱CPU上实现实时流式语音生成，流式功能仍在开发路线图中。

该项目采用Apache 2.0开源协议，支持中英文，可在CPU上运行。