dots.tts 是什么：小红书开源的 2B 语音合成模型

它是什么

dots.tts 是小红书 hi lab 团队在 2026 年 6 月发布的开源语音合成（TTS）基础模型，参数 2B，模型仓库是 rednote-hilab/dots.tts。它属于连续自回归 TTS：不像很多模型那样先把语音切成离散的 token 再预测，而是直接在连续的潜空间里逐步生成语音，再用流匹配（flow matching）模块输出声学细节。团队同时开源了训练和推理代码，以及预训练和后训练的模型。

三个关键设计

技术报告里总结了三点创新。第一，用多个训练目标训练了一个 AudioVAE，构建出既有语义结构、又便于预测的连续语音空间，这决定了后面自回归生成的难度。第二，在流匹配头里使用完整历史作为条件，保持长语音的前后一致，减少生成过程中的音色和韵律漂移。第三，对流匹配头做无奖励的自我纠正后训练，进一步提升鲁棒性和音质。

成绩怎么样

在常用的 Seed-TTS-Eval 评测上，dots.tts 取得了论文里最好的平均成绩：中文、英文、中文困难集三个测试集上的词错率分别是 0.94%、1.30% 和 6.60%，说话人相似度分别是 81.0、77.1 和 79.5。词错率衡量合成语音被识别回文字时的准确度，越低越好；相似度衡量克隆出的声音和参考音色像不像，越高越好。论文称它在其他基准上也表现出开源模型中最好的水平，生成稳定、声音克隆能力强、情感表现力好。

速度

为了实时使用，团队做了考虑无分类器引导（CFG）的 MeanFlow 蒸馏，大幅减少采样步数。结果是首包延迟在输出流式模式下为 85 毫秒，在输入输出双流式模式下为 54 毫秒，已经能满足实时对话的要求。

适合谁

做有声内容、配音、语音助手、数字人的开发者，可以把它当成一个可自托管的中英文 TTS 底座；需要低延迟流式输出的实时对话场景尤其合适。声音克隆能力很强，使用时要注意取得声音所有者的授权，不能用于冒充他人。AI 主线的看法是：dots.tts 证明了连续潜空间这条技术路线在中文 TTS 上能做到很高的水准，2B 的体量对本地部署也很友好。