Rumik OSS 1: 3B 开源 TTS 模型，支持 22 种印度语言

概述

rumik-oss 1 在 tiny aya fire 的基础上扩展，引入来自 mimi codec 的离散语音 token。文本条件与音频生成共享同一个自回归序列：模型按 codebook 顺序为每个音频帧预测八个 codebook token，随后由冻结的 mimi 解码器以 24 kHz 重建波形。

内置的四个音色（Ira、Aisha、Siya、Zoya）均可在全部 22 种语言中使用，这与将某一音色绑定到单一语言的 TTS 模型不同。<description="..."> 前缀可控制语调（开心、悲伤、愤怒、兴奋、专业）、口音和语速，内联标签则可在特定词语处插入笑声、轻笑和叹息：

<description="excited, Hindi accent, fast pace"> जल्दी आओ, हमारा नाम लिस्ट में है! <laugh> आज घर में जश्न होगा।

架构：以帧为主的 codec token 预测，由冻结的 mimi 解码器解码。

基准测试

团队随模型一同发布了三个新基准，全部提供公开代码与逐样本结果：

在 NoVA 上，rumik-oss 1 将请求的笑声和叹息渲染到正确词位置的能力，比 ElevenLabs v3（0.705）和 Gemini 3.1 Flash TTS（0.664）更可靠，仅落后于 Grok TTS 和 Inworld tts-2。README 中的音频示例展示了全部四个音色在印地语、英语、泰卢固语、泰米尔语、孟加拉语、卡纳达语和旁遮普语中的表现，其中包括语码混合的印地语-英语和泰卢固语-英语生成。

局限性

训练语音最长不超过 30 秒，因此团队不建议生成超过 35 秒的语音，且未请求的发声会出现在 2.9% 至 5.4% 的输出中。音频 token 必须由随附的 mimi codec 解码；不支持标准的 transformers.pipeline("text-to-speech") 路径。

可用性

权重位于 Hugging Face，采用 CC-BY-NC 4.0 许可（研究与非商业用途），并搭配单独许可的 mimi codec，另有面向 Apple Silicon 的 MLX 量化版本。一个 Hugging Face Space 提供交互式演示。目前尚无原生 ComfyUI 集成；该模型面向通过仓库中一次性生成示例进行的 Python 推理。