VyvoTTS 是一个基于 LLM 的文本转语音（TTS）训练框架，由 Vyvo-Labs 开发并开源在 GitHub 上。其核心思路是让大语言模型生成交错的音频编解码器 token，再将这些 token 解码为音频波形，从而完成从文本到语音的转换。
主要能力方面，VyvoTTS 支持 SNAC 和 Mimi 两种音频编解码器。框架提供四种后端，且所有后端共享同一接口，用户只需更改导入即可切换后端。项目还提供了基于 Qwen3-1.7B 和 H100 PCIe 的基准测试。
使用方式上，VyvoTTS 覆盖了从数据准备到模型训练与生成的完整流程。数据集准备支持标准数据集 tokenization 以及大规模 Emilia 数据集 tokenization，并支持两个 Emilia 数据源：ylacombe/emilia-subset（339 万条英文样本，基于 parquet）和 amphion/Emilia-Dataset（Emilia + Emilia-YODAS 英文，基于 tar）。预训练支持多 GPU FSDP，可在 vyvotts/configs/train/lfm2_5_pretrain.yaml 中配置模型、tokenizer、编解码器类型、数据集路径（本地或 HuggingFace）以及 QA:TTS 比例调度（2:1 到 1:1）。单说话人微调支持自动 tokenization，整个流水线涵盖下载、使用编解码器 tokenize、训练以及生成测试 wav 文件，完整指南见 FINETUNE.md。此外，框架还支持 codebook-aware SFT、偏好对齐和在线 RL，用于质量对齐和 WER 后训练，训练指南中提供了示例，实验报告中提供了完整协议与结果。完整训练可通过 accelerate 进行。
适用场景包括需要基于 LLM 构建文本转语音系统的研究与开发工作，尤其是涉及大规模数据集训练、多 GPU 训练、单说话人微调以及质量对齐和 WER 优化的场景。
限制方面，当前资料未提供关于收费、价格、平台支持范围、具体效果指标或详细使用步骤的完整信息，部分内容需参考项目仓库中的配置文件与文档。
