Kyutai 一周内给 Pocket TTS 连更四刀：默认英语模型换新，还能训 Muon、跑波兰语
如果你想在普通 CPU 上跑一个质量不错的 TTS，Pocket TTS 可能是绕不开的项目。它由法国开源团队 Kyutai 维护，主打"pip 装完就能用、不靠 GPU"，被很多人当成语音 Agent 和低成本播报场景里的默认选项。
最近这一周，这个项目的 GitHub 上连续合入了几个有实际意义的更新。本文基于官方仓库（kyutai-labs/pocket-tts）近 72 小时内及边缘时间点的 4 个 PR 整理，信息均来自项目方公开提交记录。
这次更了什么
1. 新默认英语模型 english_2026-09（9 月 17 日合入）
这是最值得留意的一条。新模型是 6 层结构，由一个 24 层的"鲁棒性微调教师模型"蒸馏而来。它专门修了一个很常见但很坑的用法：很多下游系统喂给 TTS 的语音提示会被截断到单词中间，或者文本末尾没有标点。过去这类"越界输入"会让模型表现不稳定；新模型下它们回到了训练分布内。
项目方给出的数据：LibriSpeech test-clean 448 条提示上，WER 基本持平（0.91% → 0.97%），UTMOS 自然度 4.358 左右；"单词中间截断"场景 WER 从 1.17% 降到 0.89%；400 票双人盲听对比旧模型 english_2026-04，新模型 207:193 小幅胜出。注意这些都是项目方自报的数字，社区可复核但未经第三方验证。
2. 训练支持 Muon 优化器（9 月 19 日合入）
Pocket TTS 一直支持微调自己的模型，这次把 Muon 做成了可选优化器：backbone 的 2D 权重走 Newton-Schulz 正交化动量，embedding 和采样头仍用 AdamW，学习率默认 0.005。对想训新语言、新音色的人来说，多了一个被社区验证过的训练配方。
3. 波兰语社区模型入库（9 月 18 日合入）
6 层波兰语模型由社区训练后合入官方仓库。加上此前的威尔士语、爱沙尼亚语、波斯语等，Pocket TTS 的非英语语言版图还在往外扩。
4. 断连即停，别再白烧算力（9 月 21 日合入）
这是个实用修复：以前客户端中途断开，服务端 worker 线程仍会把剩余文本全部生成完，还占着"不支持并发"的模型跑下一轮请求。现在断连会直接停止生成。做语音服务的同学都知道，这种浪费在长文本场景很肉疼。
为什么值得看一眼
Pocket TTS 的受众很明确：不想为 TTS 付 API 费用、但又想要超过"机器人念经"水平的人。它不追求最低延迟或最强表现力，而是把"够用、能跑、能微调"做扎实。这一周的更新没有炫技成分，全是工程补强——鲁棒性、训练选项、断连行为，都是二次开发者真正会踩到的点。
局限也说清楚：这些是持续迭代而非单次发布事件；文中数字全部来自项目方 PR 描述；如果你想用于生产，建议拿自己的文本集跑一遍盲测再决定。