生成声音的速度，
超过了说话的速度。
Ocelot 是由语音合成模型 Qwen3-TTS 蒸馏而成的小模型。
Ocelot 是一款把文字变成朗读语音的小型语音合成模型。按下按钮，上面的磁带按实际的生成用时前进，下面的磁带按语音本身的速度前进。
—倍速
生成（CPU）0.0秒
播放0.0秒
因为小，
哪里都能跑。
它由2个小网络组成：一个根据文字生成声音的蓝图（梅尔频谱图），另一个把蓝图变成声波。滚动页面，镜头会逐渐拉远，与其他模型的大小差别就显现出来了。
参数量（2个合计）—
文件—
支持语言20种语言（1个模型）
※ 手机上的速度正在测量中。 暂定
20种语言，
听听看。
我们让它用每种语言朗读内容相同的短、中、长三段文字。点击波形即可播放。声音有3种可选（今后会增加更多）。播放时，会用线条叠加描出音高的变化。
声音：
点击波形后，这里会显示正在朗读的文字。
※ 全部是测量本页数值时用 CPU 实际生成的语音原样（未经编辑）。文字内容为虚构。
让它读一读
您自己的文字。
输入文字，选择语言和声音，然后按下按钮。语音由这台服务器的 CPU 当场生成。最多可输入 200 个字符。
声音：
※ 不会自动识别语言，请选择与文字相同的语言。数字、缩写和外国专有名词有时会读错。
文字再长，
也是同样的速度。
这是全部180条语音的长度（横轴）和生成用时（纵轴）。每个点都在“朗读时长的10分之1”这条线以下。
改变 CPU 线程数时
让机器来听，
也听得懂吗？
把生成的语音用语音识别（Whisper large-v3-turbo）转回文字，再与原文比较，得到“字符错误率”。数值越小，说明读得越清楚。
从文字，
到声音。
用一句真实的话展示4个阶段。随着页面滚动，形态从左到右依次变化。
1
文字
2
音标
3
声音的蓝图
4
声波
- 转换为音标时，日语、英语、克罗地亚语使用专用词典，其他17种语言使用 espeak-ng。
- 语言以“说话人编号”的形式传给模型。1个模型就能分别朗读20种语言。
- 长文本按句子切分后生成，中间插入0.25秒的停顿再拼接起来。