Audio8 TTS 0.6B：11语种零样本声音克隆与ComfyUI实测

作者：@T8star-Aix

Audio8 TTS 0.6B：11语种零样本声音克隆与ComfyUI实测

一句话导读：视频围绕 Audio8 TTS 0.6B 展示多语种零样本声音克隆与 RunningHub/ComfyUI 工作流，重点观察模型体积、生成速度、音色迁移和短音频使用边界。

核心内容：
1. 作者先说明实时数字人只是演示入口，本期主体是 Audio8 TTS。视频将它与 Fish Audio S2 Pro 放在同一类架构和质量方向下讨论，但这属于作者基于演示的比较，不应理解为所有场景中的固定排名或质量保证。
2. 官方项目资料显示该 Preview 模型约 0.6B 参数，采用 DualAR 架构：24 层 Slow AR 负责语义序列，4 层 Fast AR 预测声学码本，并使用 44.1 kHz 编解码器。视频中对模型层数、架构和体积的讲解与官方资料基本一致。
3. 项目推荐粤语、中文、荷兰语、英语、法语、德语、意大利语、日语、韩语、波兰语和西班牙语共 11 种语言。视频试听了中文、英文、韩文和粤语片段；作者认为英文与中文更稳，小语种虽然可用但会有取舍，这只是本次试听结论。
4. RunningHub 工作流通过参考音频、参考音频对应文本和目标文本完成声音克隆。官方文档也明确要求参考文本与参考录音的实际内容匹配；视频特别提醒需要逐字对齐，不能把不对应的文本当作参考。
5. 本次云端工作流单段生成约需二十多秒。作者指出本地常驻模型或专业显卡可能更快，但普通消费级设备不应直接把“实时”理解为必然达到；速度会受硬件、模型加载、平台调度和采样设置影响。
6. 视频试听显示粤语口音、说话语气和停顿能够得到一定程度迁移，同时也强调速度、模型体积与音色相似度之间存在平衡。官方文档建议单次输入控制在 150 字以内；视频则从实际使用角度建议不要生成超过约 30 秒的单段音频。
7. 模型上下文上限为 2048 个打包后的文本/音频位置。作者认为它不适合直接承担很长的多人对话，因此更适合短句、多语种试听、单说话人克隆和可拆分的语音片段。

适合人群：希望在 ComfyUI 或 RunningHub 中试用轻量多语种 TTS、零样本声音克隆，或评估 Audio8 TTS 在短音频和数字人语音环节表现的用户。

补充说明：本文根据授权视频约 648.7 秒完整音频转写、视频元数据、默认首屏 3 条评论及 Audio8 TTS 官方仓库资料整理。官方仓库与视频演示会持续更新，实际语言质量、速度、显存和音色相似度请以自己的硬件、参考音频和目标文本复测。

相关夸克网盘链接：
【无限画布整合包v2.6.8：https://pan.quark.cn/s/5871a0142ff3】
【贞贞整合包V4.8A：https://pan.quark.cn/s/ed4f5cc2db75】
【T8 CF整合包V12：https://pan.quark.cn/s/af20c54c9a13】