Miso One 是 Miso Labs 的新语音模型，也是围绕 Miso TTS 8B 发布的产品名称。它是一个 8B 参数的开放权重文本转语音系统，面向富有表现力的英语对话语音、语音续写和低延迟语音智能体研究。当前公开模型聚焦英语语音质量、情感、节奏与对话式表达，而非广泛的多语言覆盖。
主要能力
- 富有表现力的英语语音：强调情感、节奏和对话式表达，适合评估语音自然度与温暖度。
- 音频上下文支持：Miso TTS 8B 可以基于提示音频进行条件生成，因此可评估语音续写和一次性语音克隆行为。
- 开放模型访问：通过模型仓库和 Hugging Face 页面，开发者可以查看代码、下载权重或本地运行推理。
- 低延迟方向：官方提出 110 毫秒延迟的说法，但实际延迟取决于硬件、批处理、服务代码和提示长度。
使用方式
- 阅读模型卡：从官方仓库和 Hugging Face 页面确认许可证、检查点状态、安全说明和安装要求。
- 试用托管演示：用演示判断语音质量、情感范围和英语发音，再决定是否进行本地推理。
- 运行本地推理：安装仓库、下载 8B 权重，并在自己的 CUDA 环境中基准测试延迟和内存占用。
- 测试提示音频：使用已获得同意的音频提示评估语音续写，包括短提示、含噪提示和较长续写。
- 判断是否适用：根据结果决定是自托管、等待托管访问，还是使用其他语音模型用于生产。
适用场景
- 语音智能体延迟研究：评估模型是否能支持交互式语音代理的响应循环。
- 本地开放权重 TTS：适合希望检查代码、下载权重并在自有环境运行推理的开发者。
- 一次性语音克隆评估：检查语音续写质量、同意要求和行为可靠性。
- 质量与安全审查：评估情感、韵律、稳定性、水印说明和负责任的克隆边界。
限制与注意事项
- 当前公开发布仅支持英语，不应将其描述为广泛多语言产品。
- 8B 参数意味着并非轻量级浏览器语音玩具，需要真实的 GPU 资源和本地环境配置。
- 使用提示音频进行语音克隆和续写时，仅应使用已获得同意的音频。
- 公开使用生成语音前，应查看官方安全说明、水印指南和语音同意预期。
- 架构遵循与 CSM 风格语音生成相关的对话语音模型方向，使用离散音频编码建模，而非简单波形导出流程。
- 关于是否生产就绪、支持多少语言、能否本地运行、是否支持语音克隆等常见问题，官网以问答形式列出，但本段资料中未提供具体答案，需以官方模型卡和仓库为准。
收费与计划 资讯提供了 Miso One Voice 计划信息：积分在 TTS、Voice Design 和 Voice Clone 之间共享；公开目录语音按每 100 UTF-8 字节消耗 1 积分，拉丁文本约每 100 字符 1 积分，中文、日文、韩文可能更多。免费用户每次转换最多 120 字符；付费计划和积分包每次转换最多 1,000 字符。
- 年度语音访问（面向稳定语音生成）：每年最多 960,000 个 ASCII 字符（约 320,000 个中文字符）、9,600 语音积分、每次转换最多 1,000 字符、最多 480 个即时语音克隆，包含 Voice Design 预览和私有语音模型创建（通过积分），基础邮件支持。
- 年度频繁创作者访问：每年最多 4,200,000 个 ASCII 字符（约 1,400,000 个中文字符）、42,000 语音积分、最多 2,100 个即时语音克隆，优先支持。
- 团队与高产量生产年度访问：每年最多 9,600,000 个 ASCII 字符（约 3,200,000 个中文字符）、96,000 语音积分、最多 4,800 个即时语音克隆，优先支持。 以上价格和具体购买信息暂未提供，请以官网为准。
