这是一份针对Audio8-TTS-Preview-0.1b-bf16模型仓库的 config.json 完整解读。该仓库是 Audio8 开源 TTS 语音合成模型 0.1b 版的MLX 转换版，专为 Apple Silicon 设计，支持中/英为主的 8 种语言、零样本声音克隆，并内置 44.1 kHz 神经 codec。仓库内共约 90 个架构配置项，本文按功能分组逐项注释，帮你在部署、微调或排查问题时快速看懂每个参数。

一、模型身份与全局设置

💡 为什么dim和hidden_size、n_layer和num_hidden_layers会同时出现？前者是 MLX 生态命名，后者是 Hugging Face 生态命名，双写保证两边工具都能读到。

二、注意力（Attention）参数

慢速主干每一层都带一个 GQA（分组查询注意力）模块：

三、Mamba-2 SSM 参数（核心亮点）

这是本模型最有特色的部分：每层慢速主干都内置一个Mamba-2 状态空间混合器（slow_backbone: falcon_h1的混合结构），与注意力并行工作，带来近线性复杂度的长序列建模能力。

四、快速主干（Fast AR）：逐帧预测 10 个 codebook

arktts是"双速"设计：慢速主干预测语义 token，而4 层快速自回归小网络负责在每一帧内连续吐出 10 个 codec codebook——这是它与 0.6b 版一致的生成流程。

五、神经 Codec 参数

本仓库自带 44.1 kHz 神经 codec（即 codec.safetensors），负责把语义 token 解码成波形：

📌 注意：codec 权重以 fp32 存储（约 1.35 GB），是驻留内存的大头，比 0.6b 版省内存主要体现在语言模型部分。

六、词表、特殊 token 与 RoPE

分词相关文件见 tokenizer.json、tokenizer_config.json 与 special_tokens_map.json。

七、缩放因子与 RAS 采样

这组参数最容易让新手困惑，但含义非常"物理"：

RAS（重复感知采样）是语音生成的专用解码策略，用于压制 codebook 级别的循环重复：

八、配套的生成参数

generation_config.json 中预置了推理默认值，与config.json中的ras_*配合工作：

九、参数全景速查（按文件组织）

十、总结：如何一句话看懂这个模型

config.json描绘的是一张清晰的双速图景：24 层慢速主干（Falcon-H1 混合：Mamba-2 SSM + 2 组 KV 的 GQA 注意力 + MLP）负责语义规划，4 层快速主干每帧连吐 10 个 codebook（4096 码本、RAS 防重复），再由8 层 codec 解缠器还原出 44.1 kHz 波形。对新手而言，重点只需记住三件事：

1. slow_backbone: falcon_h1需要对应版本的 mlx-audio，版本不匹配会直接加载失败（不会悄悄输出坏音频）；
2. embedding_multiplier作用于文本+codebook 嵌入之和，二次开发时切勿只折进文本表；
3. 峰值显存的大头是 fp32 codec 而非语言模型，想省显存应关注codec_*相关项。

<输出文章>

</output_article> </输出文章>

Wait, I made an error — let me output the article correctly.

<输出文章>

Audio8-TTS-Preview-0.1b-bf16 config.json完整解读：100+个架构参数逐项注释

这是一份针对Audio8-TTS-Preview-0.1b-bf16模型仓库的 config.json 完整解读。该仓库是 Audio8 开源 TTS 语音合成模型 0.1b 版的MLX 转换版，专为 Apple Silicon 设计，支持中/英为主的 8 种语言、零样本声音克隆，并内置 44.1 kHz 神经 codec。仓库内共约 90 个架构配置项，本文按功能分组逐项注释，帮你在部署、微调或排查问题时快速看懂每个参数。

一、模型身份与全局设置

💡 为什么dim和hidden_size、n_layer和num_hidden_layers会同时出现？前者是 MLX 生态命名，后者是 Hugging Face 生态命名，双写保证两边工具都能读到。

二、注意力（Attention）参数

慢速主干每一层都带一个 GQA（分组查询注意力）模块：

三、Mamba-2 SSM 参数（核心亮点）

这是本模型最有特色的部分：每层慢速主干都内置一个Mamba-2 状态空间混合器（slow_backbone: falcon_h1的混合结构），与注意力并行工作，带来近线性复杂度的长序列建模能力。

四、快速主干（Fast AR）：逐帧预测 10 个 codebook

arktts是"双速"设计：慢速主干预测语义 token，而4 层快速自回归小网络负责在每一帧内连续吐出 10 个 codec codebook——这是它与 0.6b 版一致的生成流程。

五、神经 Codec 参数

本仓库自带 44.1 kHz 神经 codec（即 codec.safetensors），负责把语义 token 解码成波形：

📌 注意：codec 权重以 fp32 存储（约 1.35 GB），是驻留内存的大头；0.1b 相对 0.6b 省下的显存主要来自语言模型部分。

六、词表、特殊 token 与 RoPE

分词相关文件见 tokenizer.json、tokenizer_config.json 与 special_tokens_map.json。

七、缩放因子与 RAS 采样

这组参数最容易让新手困惑，但含义很"物理"：

RAS（重复感知采样）是语音生成的专用解码策略，用于压制 codebook 级别的循环重复：

八、配套的生成参数

generation_config.json 预置了推理默认值，与config.json中的ras_*配合工作：

九、参数全景速查（按文件组织）

十、总结：一句话看懂这个模型

config.json描绘的是一张清晰的双速图景：24 层慢速主干（Falcon-H1 混合：Mamba-2 SSM + 2 组 KV 的 GQA 注意力 + MLP）负责语义规划，4 层快速主干每帧连吐 10 个 codebook（4096 码本、RAS 防重复），再由8 层 codec 解缠器还原出 44.1 kHz 波形。对新手而言，重点只需记住三件事：

1. slow_backbone: falcon_h1需要对应版本的 mlx-audio，版本不匹配会直接加载失败（不会悄悄输出坏音频）；
2. embedding_multiplier作用于文本+codebook 嵌入之和，二次开发时切勿只折进文本表；
3. 峰值显存的大头是 fp32 codec 而非语言模型，想省显存应关注codec_*相关项。