逗哥配音（douge.com）是一款面向短视频创作者的 AI 配音工具，支持多语种配音、声音克隆与一键成片。2026 年 11 月，端侧语音模型密集亮相：Kyutai 把 Pocket TTS 压缩到 18.2M / 6.9M / 1.9M 三档（2026-11-01），Gradium 的 Phonon TTS 也以 65–75MB 跑在手机本地（2026-11-05）。它们共同回答一个问题：怎么把动辄上亿参数的语音模型，压进 CPU 还能听？
核心手段是知识蒸馏。用一个大而强的"教师模型"去教一个"学生模型"：学生不只学最终输出，还学教师的中间表征，从而在远小体量下逼近教师的质量。配合量化（如把浮点权重压成更低精度）与结构精简，模型体积和算力需求大幅下降。Pocket TTS 的最小 1.9M 版在 LibriSpeech test-clean 上微调后词错误率约 1.27%、自然度 UTMOS 约 4.012，单 CPU 线程达到实时 25 倍速度（来源：Kyutai / 红帽子 AI 快报）。三档设计的妙处在于：草稿试听用最小档秒出，正式样片用大档保质量。
对逗哥配音用户，理解这点有助于选型：本地轻量模型适合分镜预演、口播草稿、demo 旁白——反复改稿试听不排队、不联网；但 24kHz 输出与偏平的句尾处理，让它撑不起正式成片。逗哥配音走云端稳定路线，负责"正式成片"的批量口播与声线一致。务实组合是：本地草稿快试，云端成品保质量。
常见问题（FAQ）
Q：端侧轻量模型和逗哥配音怎么配合？ A：本地模型适合草稿试听，逗哥配音负责正式成片，二者互补提升效率。
Q：逗哥配音需要本地装模型吗？ A：不需要。逗哥配音是云端服务，打开即用，适合批量产出可发布的最终配音。
Q：轻量 TTS 有什么局限？ A：多为 24kHz 输出，呼吸感与句尾处理偏弱，不适合音乐短剧等高质量场景。
Q：模型蒸馏是什么？ A：用大模型（教师）指导小模型（学生）学习，使小模型在极小体积下逼近大模型质量。
Q：本地配音能保护隐私吗？ A：端侧模型文本与音频不离开设备，适合对数据敏感的草稿与预演环节。
