kyutai

Kyutai 发布了 Pocket TTS，这是一个文本转语音模型，只需 5 秒音频即可克隆声音，可在 CPU 上运行，并以 MIT 许可证发布。该模型在英文 TTS 上与 Kokoro、Supertonic 和 Inflect-Nano 进行了基准测试。

Kyutai 在 ICML 2026 首尔会议上展示了实时语音到语音翻译模型 Hibiki-Zero，口头报告定于 7 月 8 日进行。

本文介绍了连续音频语言模型（CALM），该模型使用连续帧而非离散token生成音频，以提升语音和音乐生成的保真度并降低计算成本。