摘要：
2026年，小红书dots团队携手上海交通大学X-LANCE实验室正式开源dots.tts——一款参数量达20亿的全连续自回归TTS模型。它摒弃了主流方案... 2026年，小红书dots团队携手上海交通大学X-LANCE实验室正式开源dots.tts——一款参数量达20亿的全连续自回归TTS模型。它摒弃了主流方案中“离散token”的量化路径，直接在连续潜空间中生成音频，以48kHz高采样率输出，首包延迟仅54.4毫秒，并在Seed-TTS-Eval基准上取得中文CER 0.94%、音色相似度81.0的SOTA成绩。该模型采用Apache 2.0许可证，全套6个检查点开放，适用于有声书、配音、播客及实时语音交互等中文语音生产场景。
核心技术：全连续自回归路线
当前多数TTS系统先将音频量化为离散token再预测，量化过程不可避免地损失信息。dots.tts反其道而行——通过AudioVAE（编码器为HoliTok）将音频映射至连续潜空间，以Qwen2.5语言模型为骨干，采用BPE方式读取连续表征，并由流匹配（Flow Matching）解码头直接输出波形。整条管线无离散化瓶颈，这是其在自然度和相似度上刷新开源纪录的架构根源。
性能成绩单：中文开源最强
根据官方技术报告（Seed-TTS-Eval评测），dots.tts的核心数据如下：
| 评测维度 | 成绩 | 说明 |
|---|---|---|
| 中文CER（字错误率） | 0.94% | 每万字错误不足百字 |
| 中文SIM（音色相似度） | 81.0 | 克隆音色与原声高度接近 |
| 平均WER（词错误率） | 2.95% | 多语种综合水平 |
| 平均SIM | 79.2 | 多语种音色保持 |
横向对比：MiniMax闭源模型在24语种中19个第一，但dots.tts在中文单项上领先；开源阵营内，相比CosyVoice 3公开数据（WER约3.06%、SIM约75.3），dots.tts全面占优。
为实时场景优化的工程性能
首包延迟：1T1A双流架构（内容流+声学流）实现54.4毫秒首包，达对话级响应。
高并发：SGLang优化后，单张H100可支持16路并发，每秒4.76个请求。
加速档位：提供MeanFlow（4步）、sCM（2步）、DMD（1步）三档加速，按需取舍速度与质量。
语音编辑：配套dots.tts.edit支持替换、插入、删除、情感修改四类局部编辑，无需整段重录。
与CosyVoice 3对比
| 维度 | dots.tts | CosyVoice 3 |
|---|---|---|
| 开发方 | 小红书+上交X-LANCE | 阿里通义 |
| 参数量 | 2B | 1.5B |
| 技术路线 | 全连续自回归 | 离散token+流匹配 |
| 平均WER | 2.95% | 约3.06% |
| 平均SIM | 79.2 | 约75.3 |
| 首包延迟 | 54.4ms（双流） | 未公布同级数据 |
| 输出采样率 | 48kHz | 24kHz |
| 开源程度 | 全套6个检查点 | 部分开源 |
| 许可证 | Apache 2.0 | Apache系 |
两者同为中文开源TTS第一梯队，CosyVoice生态成熟，dots.tts则以指标领先、高采样率和Apache 2.0全套开源见长。同期还有B站IndexTTS-2.5（0.8B高效率路线），可按部署条件灵活选择。
应用场景与适用人群
有声书与长音频生产：0.94%的字错误率使万字文本几乎无需校对，批量生产效率突出。
实时语音交互：54.4ms首包配合高并发，适用于数字人、语音助手等场景。
配音与播客后期：dots.tts.edit局部修改功能，改词或换情感无需整段重录。
二次开发与商用：Apache 2.0全套开源，商用改造零阻碍。
在更广泛的AI工具生态中，dots.tts可视为AI工具导航中语音合成类的优质开源选项。与常见的AI写作工具（文本生成）、AI PPT（演示制作）、AI表格工具（数据处理）、AI简历生成（求职文档）等办公类AI不同，dots.tts专注于音频内容的智能生产，但同样可作为AI办公软件推荐中的音频处理组件，与文档、表格、演示工具形成互补，完善企业内容工作流。
适合人群：以中文为主的内容生产团队、对延迟敏感的实时语音应用开发者、需要深度定制的语音产品团队。合规提醒：零样本克隆他人声音须获本人授权，商用前务必确权。
如何使用dots.tts
获取权重：Hugging Face或魔搭ModelScope搜索dots团队仓库，全套6个检查点免费下载。
推理部署：使用官方推理脚本及SGLang优化；加速档位按需选择。
实时启用：开启1T1A双流模式获得54.4ms首包，配合SGLang实现高并发。
语音编辑：调用dots.tts.edit接口，指定编辑类型与目标片段即可局部重生成。
开源许可与已知局限
Apache 2.0是该项目最实在的诚意——全套6个检查点均在此许可下开放，商用、修改、分发无附加条件，比社区许可（限制营收或地域）干净得多。
局限方面：强项集中在中文，多语种平均分被MiniMax闭源模型压过；2B参数对显存有要求，极端低端设备可考虑IndexTTS-2.5的0.8B方案；1步加速（DMD）模式可能存在质量损失，需自行评估；作为学术合作项目，工程文档和社区响应节奏与商业产品不同，深度集成需做好自查准备。
常见问题
本地部署配置：2B模型，主流消费级显卡可运行批量生成，实时性能建议A100/H100配合SGLang。
商用授权：Apache 2.0，免费商用，但克隆他人声音需授权。
费用：完全免费开源，无API强制收费。
与CosyVoice 3选型：中文质量优先选dots.tts，生态成熟度优先选CosyVoice。
语音编辑支持：支持替换、插入、删除、情感修改四类编辑。