知识卡片：小红书开源dots.tts，连续自回归语音合成基座

英文标题： RedNote (Xiaohongshu) Open-Sources dots.tts: A Continuous Autoregressive TTS Foundation Model

英文关键词： TTS；speech synthesis；autoregressive model；continuous latent space；open source；Seed-TTS-Eval

一句话结论

dots.tts是一个20亿参数的全连续端到端自回归语音合成基座模型，跳过离散Token量化，直接在连续隐空间建模并还原波形，在Seed-TTS-Eval三个子集上平均内容准确度与说话人相似度达到SOTA，并支持流式输出与低延迟双流模式。

事件概述

小红书dots团队与上海交大X-LANCE实验室联合开源了dots.tts，定位为可持续扩展的语音合成基座。与主流TTS路线不同，dots.tts不依赖离散语音Token的量化步骤，而是直接在连续隐空间执行逐块自回归建模，再还原为波形。项目采用Apache 2.0协议，开放六个检查点及训练、推理、微调、蒸馏全套代码。

方法/产品要点

• 模型规模：20亿参数，全连续端到端自回归架构。
• 核心路径：跳过离散Token量化，在连续隐空间逐块建模并还原波形。
• 流式能力：支持流式输出；1T1A双流模式下音频首包低至54.4毫秒。
• 并行能力：SGLang单卡最高支持16路并行。
• 开源范围：Apache 2.0协议，开放六个检查点，附带训练、推理、微调、蒸馏全套代码。
• 配套工具：推出dots.tts.edit，支持文本、情绪、韵律、停顿四类编辑。

主要结果或产业意义

• 在Seed-TTS-Eval三个子集上，平均内容准确度与说话人相似度达到SOTA（具体分数原文未列）。
• 低至54.4毫秒的首包延迟与16路并行能力，为实时语音交互和规模化部署提供了可能。
• 连续隐空间路线避开离散Token量化，可能降低信息损失，为TTS基座模型提供了一条不同于主流方案的技术路径。
• 全栈开源（含微调与蒸馏代码）降低了学术界和产业界在TTS基座上的二次开发门槛。

为什么重要

当前TTS领域的主流路线多采用离散语音Token（如通过HuBERT或类似编码器量化），dots.tts选择了"全连续"路径，是一个重要的技术路线对照。同时，它附带可控编辑工具dots.tts.edit，将生成与编辑统一在同一基座下，指向"语音基座模型+可控编辑"的产品化方向。开源六个检查点和完整训练/蒸馏代码，也为后续研究者复现和扩展提供了基础。

局限与不确定性

• 原文未披露Seed-TTS-Eval三个子集的具体榜单分数，仅称平均指标达SOTA，具体数值待核实。
• 原文未提及训练数据规模、来源、版权与授权处理方式，待核实。
• 原文未说明20亿参数的具体结构（如层数、隐层维度、是否含文本编码器），待核实。
• 原文未说明1T1A双流模式的具体含义及与单流模式的取舍，待核实。
• 原文未披露模型在中文、英文等多语言上的覆盖范围与效果差异，待核实。
• 原文未披露声音克隆、音色授权及滥用防护机制，待核实。
• 原页面为腾讯研究院AI速递的汇总条目，非dots.tts官方技术报告，细节需以项目官方发布为准。

可用于图书/PPT/简报的角度

• 技术趋势：从离散Token到连续隐空间——TTS基座模型的路线之争。
• 开源观察：Apache 2.0 + 完整训练/蒸馏代码，TTS基座进入"开源可复现"阶段。
• 产品化：54.4毫秒首包延迟 + 流式输出 + 四类可控编辑，"实时语音Agent"的基座条件正在成熟。
• 生态对比：可与Seed-TTS、CosyVoice等开源TTS基座对比，讨论连续表征与离散表征的优劣。

与既有脉络的关系

已有卡片中AA-Briefcase与OpenRouter Fusion均属大模型代理能力与推理融合评估，本条dots.tts则聚焦语音合成基座，三者都是"模型能力评测/落地"的不同切面。增量信息在于：dots.tts采用Seed-TTS-Eval作为评测基准，在TTS专用评估集上取得SOTA，体现了与前述通用代理基准不同的垂直领域评测路径。

原始材料

• 来源：腾讯研究院AI速递 20260814（搜狐号）
• URL：https://m.sohu.com/a/1062532068_455313
• 原始条目："小红书开源dots.tts，连续自回归语音合成基座"（文中第六条）
• 日期：2026-08-14（据URL及页面标题推断，待核实）