Scylla's Band v4 开源 TTS 模型发布，支持多语言与演唱

Scylla's Band v4 是一个约 131M 参数（外加 30M 音素化模型）的开源 TTS 模型，支持 14 个音色和英语（US/UK）、西班牙语、法语、德语、意大利语、越南语，并以 Apache 2.0 许可发布。模型可按 JSON 乐谱演唱（目前仅英语），提供逐行强度、语速和音高控制与多音色对话标签，在 M5 Max 上首帧音频约 30 ms、iPhone 17 Pro Max 约 70 ms、Galaxy Z Fold 8 纯 CPU 约 120 ms。GitHub 与 Hugging Face 仓库包含原始 PyTorch 权重及 LiteRT、Core ML、Core AI、ONNX Runtime、WebGPU 移植和带 C API 的 C++ 运行时，作者也说明了不支持音色克隆等限制。