知识卡片：Paradee：将 Kokoro-82M 蒸馏为 8M 参数单人声文本转语音模型

一句话结论：Paradee 把有 54 个声音的 Kokoro-82M 蒸馏为只保留其中一个声音的 8.07M 参数 TTS 模型；int8 存储为 8.5 MB，在单 CPU 线程上比实时快 25 倍，UTMOS 为 4.41，接近教师的 4.52，但评估与泛化细节仍待核实。

事件概述或研究问题：论文标题为 Paradee: Distilling Kokoro-82M into an 8M-Parameter Single-Voice Text-to-Speech Model，作者 Sahil Mahendrakar，arXiv ID 为 2610.06817v1，发布时间为 2026-10-05T17:56:07Z。研究问题是：能否把广泛使用的开放 TTS 模型 Kokoro-82M 压缩成极小单说话人模型，同时避免对齐学习和联合训练，并让模型可在单台笔记本电脑上运行。

方法/产品要点：

• 教师模型为 Kokoro-82M，学生模型 Paradee 为 8.07M 参数，只保留教师 54 个声音中的一个。
• Paradee 保留 Kokoro 架构，但层更窄；文本侧和解码器两半分别针对冻结的教师训练。
• 先用教师合成语料，并保存其时长、音高、能量和音素特征。
• 训练一个小型文本侧模型来预测这些值，再训练一个小型解码器，把教师保存的值转成教师音频；解码器先使用频谱损失，后使用对抗训练。
• 最后连接两半，并将权重量化为 int8。
• 流程不需要对齐学习，也不需要联合训练。
• 学生初始带有轻微 buzz；作者将其追溯到 2–8 kHz 浊音相位，并在合成后应用 phase-locking filter 去除大部分 buzz，无需训练和额外参数。
• 代码、模型文件和音频样例发布在 GitHub：https://github.com/sahilmahendrakar/paradee

主要结果或产业意义：

• 相对 Kokoro-82M，Paradee 参数少约 10 倍，计算需求少 15 倍。
• int8 存储时大小为 8.5 MB。
• 在单 CPU 线程上运行速度比实时快 25 倍。
• UTMOS 得分为 4.41，教师为 4.52。
• 可在单台笔记本电脑上运行。
• 若这些结果可复现，其潜在产业意义是：单说话人 TTS 可以走向离线、端侧、低资源部署，例如本地语音播报、嵌入式设备或隐私敏感的本地语音交互；但具体可用性和商业限制待核实。

为什么重要：

• 它展示了把数十兆级 TTS 教师模型压缩到 8M 级学生模型，并在 CPU 单线程上实时运行的路径。
• 它采用“教师生成语料 + 保存中间特征 + 分半训练 + int8 量化”的组合，避免传统 TTS 流程中的对齐学习和联合训练。
• 与既有卡片的关系：已有卡片讨论全双工语音到语音模型和自动化 TTS 评估局限；本条不是重复这些事实，而是补充一个极小单说话人 TTS 蒸馏案例。其 UTMOS 结果仍需结合自动评估器局限来理解，不能直接等同于多维听感质量。

局限与不确定性：

• 仅覆盖 Kokoro 54 个声音中的一个，多说话人、音色迁移、多语言表现待核实。
• 主要结果使用 UTMOS，材料未提供人工主观评测、可懂度、说话人相似度或错误率，相关听感结论待核实。
• 训练语料规模、训练时长、教师具体版本、训练硬件、超参数、数据许可、模型许可证和商用限制待核实。
• “单 CPU 线程快 25 倍”的具体 CPU 型号、音频采样率、文本长度和实时因子定义待核实。
• UTMOS 4.41 与教师 4.52 的差距是否统计显著、听感是否明显，待核实。
• phase-locking filter 的具体设计、延迟、泛化性和对其他音频的适用性待核实。
• int8 量化的校准细节和质量损失待核实。
• 同行评审状态、独立复现结果、与同规模 TTS 或其他人声蒸馏方法的对比待核实。

可用于图书/PPT/简报的角度：

• 模型蒸馏与端侧 AI：从 82M 到 8M，从多声音到单声音，int8 后仅 8.5 MB。
• TTS 流水线拆解：文本侧与解码器分开训练，教师特征作为中间监督。
• 两阶段解码器训练：频谱损失到对抗训练。
• 零训练后处理：phase-locking filter 解决高频相位 buzz。
• 自动评估的边界：UTMOS 接近教师不等于听感全面接近，可结合已有“超越自然度”卡片讨论。
• 开源复现：代码、模型文件和音频样例已发布。

原始材料：

• 英文标题：Paradee: Distilling Kokoro-82M into an 8M-Parameter Single-Voice Text-to-Speech Model
• 英文关键词（材料未单列，按标题/摘要提取）：Text-to-Speech; Knowledge Distillation; Kokoro-82M; Paradee; Single-Voice TTS; Int8 Quantization; UTMOS; Phase-Locking Filter
• arXiv 摘要页：https://arxiv.org/abs/2610.06817v1
• PDF：https://arxiv.org/pdf/2610.06817v1
• 代码、模型文件与音频样例：https://github.com/sahilmahendrakar/paradee
• 作者：Sahil Mahendrakar
• arXiv ID：2610.06817v1
• 发布/更新：2026-10-05T17:56:07Z
• 分类：cs.SD; cs.AI; cs.CL; cs.LG; eess.AS