Hlas-1 发布 3.5B 参数开源权重 TTS 模型，支持零样本声音克隆与内联表演标签

作者发布 Hlas-1，一个 3.5B 参数的表现力文本转语音模型，支持零样本声音克隆和写在方括号里的内联表演标签，可在单张 12 GB GPU 上运行。模型由 1B 文本编码器、1.7B 声学骨干和 16 个码本的深度解码器组成，采用 Breeze TTS 2 架构，输出 24 kHz 单声道音频，首批支持英语和普通话，另覆盖西班牙语、法语、日语等语言。