mehdi-hf · 已发布,本站供应商暂无

Cilla Mini(2026):波斯语声音克隆语音合成模型是什么、许可、速度和运行方法

Cilla Mini 是 mehdi-hf 在 Hugging Face 上发布的 18.2M 参数波斯语语音合成模型,建立在 Kyutai 的 Pocket TTS 之上,可用 3 到 10 秒的音频提示克隆声音,输出 24 kHz 音频,需申请权限,采用仅限非商业使用的 CC BY-NC 4.0 许可。

已发布,本站供应商暂无最后更新:

现在就用

聊天

这个聊天默认使用 Qwen3.8 Flash,不是 Cilla Mini。

每次回复约 1 积分 · 查看全部模型

新账号一次性获得 5 个免费积分,7 天内有效,可用于本站价格较低的模型,最贵的模型需要用你购买的积分。

开始聊天,送 5 个免费积分
厂商
mehdi-hf
类型
文字
发布
2026-11-16
OpenRouter id
无

已核对

Cilla Mini:事实与来源

  • Hugging Face 对 mehdi-hf/cilla-mini 仓库的记录显示,它创建于 2026 年 11 月 16 日(UTC),同一天最后修改;它的姊妹模型 mehdi-hf/cilla-lite 创建于 2026 年 11 月 14 日。模型卡没有写发布日期,所以我们写“仓库创建”,不写“发布”。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡标题是“Cilla Mini: Persian text to speech (18.2M)”。它介绍的是面向 CPU、手机和浏览器的 18M 模型:用 Kyutai 的小模型方法压缩 Cilla(8 层、64 维接口、一步“漂移”采样头和 2.6M 的 Mimi 解码器),并把引导(guidance)内置。它用一小段音频提示的声音说波斯语,建立在 Kyutai 的 Pocket TTS 之上。输出为 24 kHz 单声道;语言标签为波斯语(fa)。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡给出的参数量:生成时用到 18.2M(15.6M 的 8 层 flow 语言模型含采样头,加 2.6M 的 Mimi 解码器),权重文件里有 27.9M,因为还带着每个声音提示只运行一次的 9.7M Mimi 编码器。Hugging Face 自己的统计是 27,925,618 个 float32 参数。主权重文件是 model.safetensors,107 MB,采用 Pocket TTS 格式。来源: huggingface.co · 核对于 2026-11-19
  • 许可:模型卡写“Gated, non-commercial (CC BY-NC 4.0)”,在许可一节写“CC BY-NC 4.0:仅限非商业使用。商业使用需要另行许可”,须通过卡上印出的联系地址申请。Hugging Face 的元数据也列出 license cc-by-nc-4.0。它使用的 Mimi 编解码器和 2.6M 解码器是 Kyutai 的,模型卡把 Kyutai 的 Pocket TTS 列为基础。来源: huggingface.co · 核对于 2026-11-19
  • 访问:Hugging Face 把该仓库标为需要申请、自动批准。任何人都能读模型卡,但要查看或下载文件,必须登录并同意分享你的 Hugging Face 信息、接受条件。模型卡里的命令也是从 hf auth login 开始,并要求先在页面上申请权限。这就是我们只能读到渲染后的模型卡,而读不到原始 README 或 phonon 文件夹 README 的原因。来源: huggingface.co · 核对于 2026-11-19
  • 声音:模型卡说声音是从提示克隆出来的:一段完整的 3 到 10 秒短音频,在停顿处结束,在安静的房间里录制;在词中间截断的提示会让模型听起来破碎。仓库带有三个提示:parisa.wav(Parisa 的声音,“由她本人录制,并经她同意在此使用”)、voice1.wav(一位女声)和 voice2.wav(一位男声)。作者的检查中,用每个提示生成的每条音频都最接近该提示。来源: huggingface.co · 核对于 2026-11-19
  • 关于声音克隆,模型卡说得很直接:克隆并不精确(它跟随提示的音色和风格,而非每个细节);用它生成的语音应标明是合成的;未经本人同意,不要克隆其声音。卡上的数字衡量的是可懂度和粗略的说话人相似度,并说明它们不能说明某个具体声音是否被还原。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡列出的局限:只支持波斯语;会出现 ezafe(波斯语名词短语里的连接成分)错误,多在生僻词和较长的名词短语里;只朗读波斯文字,拉丁字母的词和表情符号等其他外来字符会被悄悄丢掉,所以名字要用波斯字母书写;数字按波斯语单词读出;长文字必须逐句朗读,否则会重复或丢词;Phonon 文件带有三个声音,该运行时自带的声音克隆不能用于这个模型。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡写的用途是在用户自己的设备上生成语音:离线和私密的助手、屏幕阅读器等无障碍工具、游戏,以及等不起云端往返的应用;在 Mac 或浏览器标签页里运行时,卡上说没有任何内容离开设备。作者的演示 Space 用 WebAssembly 在标签页里运行模型,卡上说文字不会发到任何地方,页面在下载 107 MB 之前会先询问。来源: huggingface.co · 核对于 2026-11-19
  • Cilla Mini 不在 OpenRouter 的模型列表里(2026 年 11 月 19 日核对),所以本站无法运行它;本站的聊天是文字进、文字出,不生成语音或音频。想用小模型做文字聊天,可以改用 Qwen3.8 Flash 或 Inkling 2 Small。来源: openrouter.ai · 核对于 2026-11-19 · 二手

本站表格

Cilla Mini 的速度:作者在云端 CPU、Apple M1 Pro 和浏览器上给出的数字

  • 速度,按作者的测量(“实时”为 1 倍):Python 的 pocket-tts 包在云端 x86 CPU(Intel Xeon 2.80 GHz)的一个线程上为 3.79 倍;Phonon 运行时(ptts)在 Apple M1 Pro 的一个核心上约 12 到 23 倍,首个音频在 30 到 95 毫秒内出现;在 M1 Pro 的 Chrome 标签页里通过 WebAssembly 约 9 到 17 倍,短文字处在较慢的一端。这些是作者的数字,我们没有复现。来源: huggingface.co · 核对于 2026-11-19

速度表

Cilla Mini 在不同环境里的运行速度,取自其模型卡

Cilla Mini 的设计目标是小到能在 CPU、手机或浏览器标签页里运行,模型卡用三个速度数字佐证,其中 1 倍表示生成音频的速度与播放速度相同。最慢的一项,即通过 Python 包在云端 CPU 的一个线程上,也有 3.79 倍。Mac 运行时和浏览器要快好几倍。如果你想给离线应用配一个波斯语声音,这正是该模型的用途;如果你要的是模型用波斯语回答的文字,请在本站用 Qwen3.8 Flash 或 Inkling 2 Small。精神相近的英文声音模型是 tiny voca。

本站自制表格:每秒工作生成的音频时长,取自 Cilla Mini 的 Hugging Face 模型卡(2026 年 11 月 19 日读取);它们是作者自己的数字,我们没有复现 · 核对于 2026-11-19
运行环境每秒工作生成的音频备注
Python(pocket-tts),云端 x86 CPU 的一个线程(Intel Xeon,2.80 GHz)3.79 倍需要 pocket-tts 4.0.1 或更新版本
Phonon 运行时(ptts),Apple M1 Pro 的一个核心约 12 到 23 倍首个音频在 30 到 95 毫秒内出现
浏览器标签页(WebAssembly),M1 Pro 上的 Chrome约 9 到 17 倍短文字处在较慢的一端

来源: huggingface.co

本站表格

Cilla Mini 的质量:作者检查得到的词错误率、字符错误率和说话人相似度

  • 作者的评估:用波斯语语音识别器转写真实录音,以及用同一说话人其他录音克隆出的声音(第 100,000 步,EMA,内置引导)。该识别器在真实录音上的词错误率是 8.6%,卡上称之为下限。对这个模型:词错误率 10.4%,字符错误率 3.9%,说话人相似度 0.953。卡上说这些数字体现的是可懂度和粗略的说话人匹配,并不能说明某个具体声音是否被还原,也不能说明 ezafe 的正确率,那需要听。来源: huggingface.co · 核对于 2026-11-19

评估表

Cilla Mini 模型卡上的评估数字

模型卡的检查对自己的局限很坦率。识别器本身在真实录音上就会认错 8.6% 的词,所以克隆声音的 10.4% 应该和这个下限比,而不是和零比。说话人相似度 0.953 说明输出跟随了提示里的声音,这与卡上“克隆并不精确”的说法一致。这些数字都不衡量语音听起来有多自然,也不衡量波斯语 ezafe 的正确率;卡上说那需要听。本站另一个声音模型见 tiny voca,它的模型卡印着自己的英文检查结果。

本站自制表格:数字取自 Cilla Mini 的 Hugging Face 模型卡(2026 年 11 月 19 日读取);由波斯语语音识别器转写真实录音和用同一说话人其他录音克隆出的声音;它们是作者自己的数字,我们没有复现 · 核对于 2026-11-19
指标Cilla Mini(克隆声音)
真实录音的词错误率(识别器的下限)8.6%(识别器单独处理真实录音)
词错误率(WER)10.4%
字符错误率(CER)3.9%
说话人相似度0.953

来源: huggingface.co

本站表格

怎么运行 Cilla Mini:许可、权限、Python、Mac 和浏览器

  • 模型卡写的运行方式:Python 路线(pip install "pocket-tts>=4.0.1",hf auth login,不含大权重地 hf download 仓库,然后用 speak_fa.py 带一个提示、一段文字和一个输出文件运行,权重会下载一次);面向 Mac 的 Phonon 路线(Rust 运行时,不需要 PyTorch 和 GPU,用该文件夹里的 setup.sh 安装);以及浏览器演示 Space mehdi-hf/cilla-mini-demo。卡上说必须用同一个提示逐句朗读,而不是切成 50 个 token 一段,否则模型会重复词。来源: huggingface.co · 核对于 2026-11-19
  • Hugging Face 把演示 Space mehdi-hf/cilla-mini-demo 列为静态 Space,简介是“Persian text to speech that runs in your browser”,许可为 cc-by-nc-4.0,里面有模型文件、三个声音文件和网页代码。来源: huggingface.co · 核对于 2026-11-19
  • 姊妹模型 Cilla Lite 在自己的模型卡上被描述为面向 CPU、从 Cilla 蒸馏出的 6 层小模型,生成时用到约 100M 参数(文件里有 110M),24 kHz 单声道,波斯语,需要申请,CC BY-NC 4.0,卡上还提到有一个更大的 Cilla(326M)。它的速度写的是在云端 x86 CPU 的一个线程上为实时的 1.88 倍,而 Cilla Mini 是 3.79 倍。来源: huggingface.co · 核对于 2026-11-19

运行方式

作者写明的 Cilla Mini 运行方式,以及各自需要什么

一切从权限开始:这个仓库需要申请,所以你要先登录 Hugging Face、接受条件,然后才能下载。许可是非商业的,所以要赚钱的产品必须先取得作者的另行许可。浏览器演示是最快听到效果的办法,因为卡上说它在标签页里运行,不会把文字发到任何地方。本站无法运行 Cilla Mini;想看能在这里运行的文字模型,可以比较 Inkling 2 Small 和 Qwen3.8 Flash。

本站自制表格:取自 Cilla Mini 的 Hugging Face 模型卡和演示 Space 的信息(2026 年 11 月 19 日读取);这些命令我们都没有运行过,需要申请权限的文件和 Phonon 的 README 我们读不到 · 核对于 2026-11-19
方式做法需要什么
Python(pocket-tts)登录,下载代码、提示和配置,然后用 speak_fa.py 带一个提示音频、一段波斯语文字和一个输出文件运行;权重会下载一次pocket-tts 4.0.1 或更新版本;Hugging Face 访问权限;config.yaml 里三个标志保持为 false
Phonon 运行时(Mac)phonon 文件夹里是为 Rust 运行时排好的模型,不需要 PyTorch 和 GPU;setup.sh 下载运行时并检查校验和;say_fa.py 和 run_web.sh 分别给出命令行和网页Apple 芯片(卡上的耗时是在 M1 Pro 上测的);三个内置声音;该运行时自带的克隆不能用于这个模型
浏览器演示Space mehdi-hf/cilla-mini-demo 用 WebAssembly 在标签页里运行模型;文字不会发到任何地方;下载 107 MB 之前会先询问一个浏览器;单独在一个标签页里打开可用多线程模式
商业使用CC BY-NC 4.0 不允许;需要向作者另行申请许可模型卡上印出的联系地址

来源: huggingface.co来源: huggingface.co

上线时通知我

登录后点按钮:只保存你的账号和这个模型,不存其他资料。目前还不会发送邮件。

最接近的可用模型

现在可用的 Cilla Mini 替代选择

Qwen3.8 Flash

Alibaba

$0.15 / $0.47 (每百万 token)

  • Alibaba 对 qwen3.8-flash 的定价为每百万输入/输出 token 0.15/0.47 美元(新加坡、欧盟、香港和美国区)。来源: docs.qwencloud.com · 核对于 2026-11-13
  • 在 OpenRouter 上的 id 为 qwen/qwen3.8-flash,每百万 token 0.15/0.47 美元。来源: openrouter.ai · 核对于 2026-11-13

Inkling 2 Small

Thinking Machines Lab

$0.30 / $1 (每百万 token)

  • Thinking Machines Lab 于 2026 年 11 月 5 日发布 Inkling 2 Small,并在其 Tinker 平台上提供。来源: thinkingmachines.ai · 核对于 2026-11-14
  • 混合专家(MoE)模型,总参数 594B、激活 17B,支持图片输入和可调推理强度。来源: thinkingmachines.ai · 核对于 2026-11-14
  • 输入文字和图片、输出文字;上下文最多 100 万 token;每个 token 路由到 384 个专家中的 8 个。来源: huggingface.co · 核对于 2026-11-14

FAQ

Cilla Mini 常见问题

Cilla Mini 是什么?

Cilla Mini 是一个波斯语文字转语音模型:你给它波斯语文字和一小段声音提示,它就用那个声音把文字读出来。模型卡称它是面向 CPU、手机和浏览器的 18M 模型,用 Kyutai 的小模型方法压缩 Cilla 而成,建立在 Kyutai 的 Pocket TTS 之上。生成语音时用到约 18.2M 参数,文件里有 27.9M。它不是聊天模型。

Cilla Mini 能克隆声音吗?

能,靠提示音频。模型卡说声音是从一段完整的 3 到 10 秒短音频克隆出来的,音频要在停顿处结束、在安静的房间里录制,而且克隆并不精确:它跟随音色和风格,而非每个细节。未经同意克隆真人的声音,可能误导听众并伤害当事人。模型卡要求把生成的语音标明为合成,并且不要在未经本人同意时克隆其声音;它的 Parisa 示例是经她同意使用的。

Cilla Mini 是非商业的吗?许可原文是什么?

是。模型卡写“Gated, non-commercial (CC BY-NC 4.0)”,并说 CC BY-NC 4.0 即仅限非商业使用;商业使用需要另行许可,通过卡上印出的联系地址申请。Hugging Face 的元数据列出 cc-by-nc-4.0。它使用的 Mimi 编解码器和解码器是 Kyutai 的。我们不是律师;任何付费使用之前请先读模型卡。

为什么 Cilla Mini 要申请权限?怎么获得?

Hugging Face 把它标为需要申请、自动批准:任何人都能读模型卡,但要查看或下载文件,必须登录、同意分享你的 Hugging Face 信息并接受条件。卡上的命令从 hf auth login 开始。我们只能读到渲染后的模型卡,所以存在于文件里的细节(例如 Phonon 的 README)本页没有涵盖。

Cilla Mini 有多快?需要什么硬件?

按作者自己的数字(我们没有测试),通过 Python 包在云端 x86 CPU 的一个线程上是实时的 3.79 倍,用 Phonon 运行时在 Apple M1 Pro 的一个核心上约 12 到 23 倍,在 Chrome 标签页里约 9 到 17 倍。不需要 GPU。权重文件 107 MB,Python 路线需要 pocket-tts 4.0.1 或更新版本。

Cilla Mini 质量怎么样?

在真实的波斯语录音上,用同一说话人其他录音克隆出的声音,模型卡给出词错误率 10.4%、字符错误率 3.9%、说话人相似度 0.953;识别器单独的词错误率是 8.6%,卡上称之为下限。卡上说这些数字不能说明听起来有多自然,也不能说明 ezafe 的正确率,并把 ezafe 错误、丢掉拉丁字母的词和长文字问题列为局限。

能在本站使用 Cilla Mini 吗?

不能。它不在 OpenRouter 的模型列表里,本站也不生成语音,聊天的回答是文字。你可以改和小模型聊天:在本站,与 Inkling 2 Small 的一次典型回复约 1 个积分(一个积分约 $0.01,按 $5 档计算),按真实 token 成本计费,最低 1 个积分。Qwen3.8 Flash 也是一个选择,tiny voca 则是一个英文声音模型。

这是 Cilla Mini 的官方网站吗?

不是。本页为非官方页面,与 mehdi-hf 无关,也未获其认可。事实链接到我们读过的页面。