Luna-TTS 點解咁受關注？VUI Labs 用非自回歸語音模型挑戰主流玩家

Luna-TTS 係中國語音人工智能初創公司 VUI Labs 推出嘅多語言文字轉語音（TTS）模型家族，分為主打音質嘅標準版，同埋面向即時互動嘅 Realtime 版本。公開報道顯示，VUI Labs 於 2025 年初成立，由上海交通大學教授錢彥旻同連續創業者梅杰共同創辦。

佢之所以突然受到關注，唔只係因為一度登上語音榜單榜首，更重要係佢嘗試改變語音生成嘅基本方法：由傳統「逐個 Token 順序預測」，轉向較接近擴散模型嘅並行生成。模型會先將聲音壓縮成離散 Token，再透過多輪掩碼修復，同時生成大量語音 Token，目標係喺自然度、表達力同即時延遲之間搵到更好平衡。13

Luna-TTS 而家排第幾？

講 Luna-TTS 嘅排名，必須連同榜單名稱同截數日期一齊睇，唔可以簡單講成「長期全球第一」。

• Hugging Face TTS Arena： 2026 年 8 月嘅報道指，Luna-TTS 曾經排名第一，並領先 ElevenLabs、MiniMax 同 Cartesia。810
• Artificial Analysis： 同期報道指，Luna-TTS 曾喺 Speech Arena 排第三，排名高過 Google 相關模型。8
• 較新榜單快照： Artificial Analysis 於 2026 年 9 月 1 日嘅提供商語音榜單將 Luna TTS 列為第五；Cartesia Sonic 3.6 排第一，而 ElevenLabs v3 Conversational 就排第八。
• 其他榜單鏡像： 2026 年 8 月下旬嘅榜單鏡像顯示，Qwen-Audio-3.0-TTS-Plus 排喺 Luna TTS 之前。

呢幾組結果未必互相矛盾。盲聽榜單會受到模型版本、測試語言、聲線、提示詞、樣本數量同投票時間影響。較穩妥嘅講法係：Luna-TTS 曾經進入主流 TTS 榜單前列，並喺部分時間窗口取得第一或第三名；但現有資料唔足以證明佢可以持續擊敗 Cartesia、ElevenLabs、Qwen，或者其他所有競爭模型。

至於 Luna-TTS 同 ByteDance Seed 或智譜模型嘅精確排名，現有來源亦未提供足夠可靠、可以直接比較嘅同一榜單數據。因此，唔應該將佢哋之間嘅關係寫成一場已經有明確結果嘅全面勝負。

核心技術：由逐個生成改成並行修復

基於 Qwen3 嘅離散掩碼擴散模型

Luna-TTS 由預訓練 Qwen3-0.6B 語言模型改造而成，並進一步訓練成面向語音 Token 嘅擴散語言模型。2

傳統自回歸 TTS 通常係逐步預測下一個 Codec Token；Luna-TTS 就會對整段殘差向量量化（RVQ）Token 網格進行隨機掩碼，再透過多輪迭代並行修復。14

簡單講，生成順序唔再完全由前面已經生成嘅語音內容決定。模型可以喺同一輪處理多個位置，減少長序列逐步生成帶嚟嘅延遲，亦有機會降低錯誤沿住序列一路累積嘅風險。13

Luna-Codec：8 個碼本、24 kHz、25 Hz

Luna-TTS 配套使用自研 Luna-Codec，將音訊轉換成離散語音表示。公開資料描述嘅設計包括 24 kHz 採樣率、25 Hz 幀率同 8 個碼本。89

呢個 Codec 唔只係一個單純壓縮工具。佢會直接影響模型需要預測幾多語音資訊、每秒要處理幾多幀，以及並行生成可以點樣喺音質同速度之間取捨。換句話講，Luna-TTS 係將語言模型、離散 Codec 同擴散式採樣當成一個整體去設計。

Realtime 版本：區塊之間順序生成，區塊內並行去噪

標準版 Luna-TTS 可以對整段話語進行全局非自回歸生成，但即時對話就唔可以等用戶講完整句先開始播聲。Realtime 版本因此採用折衷方案：區塊之間按順序生成，但每個區塊內部就並行去噪。14

每個區塊包含 32 個 Codec 幀，即係 1.28 秒音訊。Realtime 版本會用 KV Cache 保存上下文，第一個區塊提交之後，再逐步輸出後續音訊。1

所以，話佢「完全非自回歸」並唔準確。更精確嘅講法係：Realtime 版本喺區塊層面存在自回歸依賴，但喺區塊內部進行並行擴散生成。

GRPO 後訓練同情緒控制

技術報告亦提到，團隊針對離散掩碼擴散過程改造 GRPO 強化學習後訓練，並加入情緒同非語言聲音表達控制。15

呢類後訓練唔只係令語音「聽得明」，亦希望改善自然度、表達力，以及模型同用戶偏好之間嘅匹配程度。

資料亦指，語音編輯同零樣本聲音克隆，可以視為對語音 Token 網格進行填補或者重寫嘅任務。14不過，實際克隆質素、需要幾長參考音訊，以及喺唔同語言下嘅穩定程度，仍然要靠產品測試驗證，唔可以單憑架構推斷。

41.6 毫秒延遲，代表用戶真係等 41.6 毫秒？

Luna-TTS Realtime 技術報告提供咗幾個受廣泛引用嘅數字：喺預熱後嘅本地服務測試中，端到端實時倍率（RTF）為 0.024，並喺 41.6 毫秒內提交第一個 1.28 秒音訊區塊。15

相關報道亦提到，Realtime 版本一般使用 8 至 16 步去噪，並喺兩張 H20 GPU 上測試。7如果只睇模型推理邊界，呢啲數據反映系統具備相當高嘅生成吞吐量。

但 41.6 毫秒唔等於所有用戶喺雲端 API 都會得到同樣首包延遲。測試採用特定硬件、並行配置、預熱服務同本地部署協議；網絡傳輸、排隊、文字預處理、音訊解碼同生產環境負載，都可能令實際等待時間增加。

因此，41.6 毫秒較適合理解為「受控測試條件下，首個音訊區塊提交所需時間」，而唔係對所有雲端 API 使用情況都適用嘅端到端體驗承諾。

一百萬小時語音數據，代表四種語言都一定最強？

作者報告稱，Luna-TTS 使用大約一百萬小時中文、英文、日文同韓文語音數據進行預訓練。12

多語言語料可以為發音、韻律同跨語言聲音建模提供較廣泛嘅訓練覆蓋。不過，公開摘要未有提供足夠細節，讓外界獨立評估數據來源、清洗標準、各語言比例或者版權合規情況。

所以，「使用一百萬小時數據」係目前可以引用嘅訓練規模描述，但唔應該再推論成佢喺每一種語言、每一種口音或者每一個應用場景都同樣領先。

VUI Labs 想做嘅唔只係 TTS

從公開報道睇，VUI Labs 並唔係只將 Luna-TTS 當成單一語音合成模型，而係同時推進模型及 API 能力、面向創作者嘅語音工具，以及語音智能體應用。

呢個方向反映，模型本身嘅音質只係產品鏈其中一環。真正嘅商業價值，仲要視乎聲音克隆、情緒控制、對話編排、延遲、部署成本同企業系統整合能力。

行業報道聲稱，VUI Labs 已經喺物流調度、互聯網保險同酒旅軟件服務等場景落地，幾個客戶累計完成超過一百萬次業務對話。6不過，呢個數字屬於媒體報道中公司或者部署方嘅說法，唔係獨立審計指標。公開資料亦未有完整披露客戶名單、對話定義、活躍周期，或者同其他供應商比較時採用嘅口徑。

VUI Labs 早期創辦團隊呈現「學術技術負責人加產品及商業化負責人」嘅組合：錢彥旻負責語音同人工智能研究方向，梅杰就被報道為連續創業者。呢種組合有利於將研究型模型較快轉化成 API、行業方案同語音 Agent 產品，但長期競爭力仍然要睇數據閉環、客戶留存、每次推理成本同全球交付能力。

Luna-TTS 最可信嘅競爭優勢

綜合技術報告同榜單資料，Luna-TTS 目前較可信嘅優勢主要有四點：

1. 生成範式有變化： 以離散掩碼擴散取代傳統逐 Token 自回歸生成。
2. Codec 同模型協同設計： 透過 8 個碼本、24 kHz、25 Hz 嘅語音表示，為並行生成提供接口。89
3. 質素同控制力並重： 透過多語言預訓練、情緒控制同 GRPO 後訓練，改善語音表達力。1
4. 針對即時場景重新設計： 用 1.28 秒區塊、區塊內並行去噪同 KV Cache，將非自回歸路線適配到流式對話。14

呢啲設計解釋咗點解 Luna-TTS 可以喺部分盲聽榜單快速升上高位。但佢哋唔會自動證明系統喺價格、長文本穩定性、聲線一致性、版權安全、API 可用性，或者所有語言嘅綜合表現，都一定優於競爭對手。

總結：高位競爭者，未必係永久榜首

Luna-TTS 嘅核心故事係可信，而且具備一定技術含量：VUI Labs 將 Qwen3 衍生語言模型、離散語音 Codec、掩碼擴散生成、強化學習後訓練同區塊級流式推理組合成一套完整 TTS 系統。1

佢曾喺 2026 年 8 月嘅公開報道中登上 Hugging Face TTS Arena 榜首，亦曾喺 Artificial Analysis 同期報道中排第三；但到 2026 年 9 月 1 日嘅榜單快照，Luna TTS 已經排第五。8

因此，最穩妥嘅判斷唔係「Luna-TTS 永久擊敗所有對手」，而係：佢已經成為全球 TTS 競爭中一個重要嘅高位模型，而佢所採用嘅並行擴散同實時區塊生成路線，值得繼續觀察。

對準備做技術選型嘅開發者嚟講，最有用嘅下一步唔係只睇一個總排名，而係按實際需要測試目標語言、聲音克隆、情緒控制、首包延遲、長文本一致性同 API 真實成本。