O que é Audio8 TTS?
O Audio8 TTS é uma família de modelos compactos de texto para fala da Edge0 que clonam uma voz a partir de uma gravação curta de referência e sua transcrição. A versão atual, Audio8-TTS-Realistic-Air, tem 601 milhões de parâmetros mais um codec de áudio e suporta 23 idiomas, 12 a mais que o Preview 0.6B em que se baseia. Foi publicada no Hugging Face em 14 de outubro de 2026 junto com um artigo que descreve um treinamento com um "crítico de realismo" que recompensa uma prosódia parecida com a humana.
A arquitetura segue o design DualAR do Fish Audio S2 Pro: um modelo lento de 24 camadas prevê um token semântico por quadro e um modelo rápido de 4 camadas prevê 10 codebooks do codec, com saída a 44.1 kHz. Os pesos são safetensors BF16 sob Apache 2.0, assim como o código.
Um Preview 0.1B menor (cerca de 170 milhões de parâmetros mais um codec de 120 milhões de parâmetros) é voltado a chinês e inglês e roda em CPU como exportação ONNX INT8 em cerca de 0.4 GiB. Ele tem uma licença comunitária separada que exige uma licença paga para empresas com receita anual de US$2 milhões ou mais.
Audio8 TTS vale a pena?
O Audio8 TTS chama atenção pelo tamanho, e não pela qualidade absoluta. No teste Seed-TTS de inglês e chinês, informado pelo próprio fabricante, a taxa média de erro do Realistic Air é de 1.25%, contra 1.11% do Higgs Audio v3 de 4B, 1.32% do Fish S2 Pro de 4.6B e 1.67% do CosyVoice3. Um modelo de 601 milhões de parâmetros equivale a cerca de 1.2 GB de pesos em BF16 pelas nossas contas, pequeno o bastante para uma GPU modesta.
Os números multilíngues são menos favoráveis. No conjunto MiniMax de 24 idiomas, o erro médio é de 5.89%, contra 4.40% do Fish S2 Pro e 2.74% do Higgs Audio v3, e o modelo de 0.6B do Qwen3-TTS marca 1.12% no Seed-TTS, um pouco melhor. O card chama sua tabela de comparação de referência, e não de ranking equiparado, e observa que a qualidade varia por idioma; todos os números vêm da Edge0, e nenhum mede o realismo diretamente.
O serviço é mais bem documentado do que na maioria dos laboratórios pequenos. Um adaptador SGLang Omni oferece uma API de fala compatível com OpenAI com batching; em uma NVIDIA H20 ele mediu 0.691 s de latência a quente para cerca de 5.9 s de áudio, um fator de tempo real de 0.116, embora esse teste tenha rodado no Preview 0.6B, com a mesma arquitetura. O card diz que a vazão e o streaming do próprio Realistic Air não foram medidos, e ainda não há exportação ONNX para ele, então quem usa CPU fica limitado aos modelos Preview mais antigos.
O porém: procedência e salvaguardas. A identidade do fabricante é vaga: o GitHub diz Edge0-AI, o Hugging Face diz Edge0, o código do card do 0.1B se refere a Audio8, e nenhum local ou dado da empresa é publicado. O card do 0.1B pede consentimento antes de clonar, mas nenhum dos cards menciona marca d'água. O repositório está ativo, com 2.361 estrelas e um push em 2 de novembro de 2026, e o Realistic Air teve 11.349 downloads no último mês.
Onde ele se destaca
Um estúdio de duas pessoas que localiza jogos indie para tailandês, vietnamita e indonésio
Dar voz aos mesmos personagens em vários idiomas sem taxas por personagem
Clone cada ator a partir de um clipe curto de referência com sua transcrição e renderize as falas em lote em uma GPU de consumo; a Apache 2.0 permite uso comercial. Confira cada idioma de ouvido, já que o card avisa que a qualidade varia.
Um engenheiro de backend em uma startup de agentes de voz
Servir vozes clonadas a muitos usuários ao mesmo tempo a partir de uma GPU
Rode o adaptador SGLang Omni, que por padrão agrupa até 32 requisições em execução atrás de um endpoint /v1/audio/speech compatível com OpenAI; o RTF medido de 0.116 em uma H20 sugere folga, mas a vazão do próprio Realistic Air não foi medida.
Um hobbista criando um assistente de leitura offline em um notebook
Ler textos em chinês e inglês sem GPU
Use o runtime ONNX INT8 do Preview 0.1B em CPU em cerca de 0.4 GiB, com PCM em streaming e um servidor web local. Serve para uso pessoal; uma empresa com receita acima de US$2 milhões precisa de licença.
Antes de decidir
- Configuração
- Python 3.10+ e uma GPU CUDA; clone o repositório, rode pip install -r requirements.txt e execute audio8_tts_infer.py com o ID do modelo, adicionando um clipe de referência e a transcrição para clonar. O SGLang Omni precisa ser fixado em um commit testado.
- Integrações
- Transformers (de 4.57 até abaixo de 5; a 5.x pode gerar saída silenciosa), SGLang Omni com uma API de fala compatível com OpenAI, ONNX Runtime para as exportações Preview, scripts de fine-tuning supervisionado.
- Dados e privacidade
- Auto-hospedado; nada sai das suas máquinas. Realistic Air e Preview 0.6B são Apache 2.0; a licença comunitária do Preview 0.1B exige uma licença comercial por escrito a partir de US$2 milhões de receita anual, incluindo afiliadas.
- Custo em escala
- Cerca de 1.2 GB de pesos BF16 para o modelo de 0.6B; o servidor SGLang usa por padrão uma fração de memória estática de 0.2 em uma GPU. Nenhum provedor hospedado o serve atualmente.
- Limites
- 2.048 posições de texto e áudio empacotadas; qualidade irregular entre idiomas; velocidade e streaming do Realistic Air não medidos; clipes de referência longos, ruidosos ou mal transcritos reduzem a estabilidade e a semelhança.
O que é bom
- Pesos e código Apache 2.0 para os modelos de 0.6B
- Taxa de erro no Seed-TTS próxima à de modelos seis a oito vezes maiores
- 23 idiomas, saída a 44.1 kHz
- Servidor SGLang Omni com API compatível com OpenAI, RTF de 0.116 em uma H20
- O 0.1B ONNX INT8 roda em CPU em cerca de 0.4 GiB
O que não é
- Fica atrás do Fish S2 Pro e do Higgs Audio v3 no teste de 24 idiomas
- Todos os benchmarks informados pelo fabricante; velocidade do Realistic Air não medida
- Sem ONNX nem caminho para CPU no Realistic Air
- Sem marca d'água; dados do fabricante não publicados
- A licença do 0.1B cobra empresas com receita acima de US$2 milhões
Ideal para
Desenvolvedores que precisam de clonagem de voz multilíngue com licença permissiva e orçamento pequeno de GPU, e podem testar a qualidade nos próprios idiomas.
Alternativas ao Audio8 TTS
Audio8 TTS: perguntas frequentes
- Audio8 TTS vale a pena?
- O modelo de 0.6B do Audio8 clona vozes em 23 idiomas com taxas de erro próximas às de rivais de 4B parâmetros, um ótimo negócio em tamanho que ainda fica atrás deles no teste multilíngue mais difícil. Damos nota 3.8 de 5.
- Quanto custa Audio8 TTS?
- Gratuito. Os pesos do Realistic Air e do Preview 0.6B são Apache 2.0; o Preview 0.1B é gratuito para uso não comercial e para empresas com receita anual abaixo de US$2 milhões. Sem API hospedada.
- Quais são as desvantagens de Audio8 TTS?
- Fica atrás do Fish S2 Pro e do Higgs Audio v3 no teste de 24 idiomas; todos os benchmarks informados pelo fabricante; velocidade do Realistic Air não medida; sem ONNX nem caminho para CPU no Realistic Air; sem marca d'água; dados do fabricante não publicados; a licença do 0.1B cobra empresas com receita acima de US$2 milhões.
- Para quem Audio8 TTS é indicado?
- Desenvolvedores que precisam de clonagem de voz multilíngue com licença permissiva e orçamento pequeno de GPU, e podem testar a qualidade nos próprios idiomas.
- Quanto custa Audio8 TTS para uma equipe ou em produção?
- Cerca de 1.2 GB de pesos BF16 para o modelo de 0.6B; o servidor SGLang usa por padrão uma fração de memória estática de 0.2 em uma GPU. Nenhum provedor hospedado o serve atualmente.
- Audio8 TTS é seguro para dados da empresa?
- Auto-hospedado; nada sai das suas máquinas. Realistic Air e Preview 0.6B são Apache 2.0; a licença comunitária do Preview 0.1B exige uma licença comercial por escrito a partir de US$2 milhões de receita anual, incluindo afiliadas.
- Quais são as melhores alternativas ao Audio8 TTS?
- As alternativas mais próximas que analisamos são Qwen3-TTS, Chatterbox, OmniVoice e Kokoro-82M.
Respostas verificadas em 5 de nov. de 2026.