4 GB 显存就能跑语音克隆？换 4090 只快 17%：蚂蚁开源语音模型实测：GPU 三分之二时间在摸鱼

大白话蚂蚁 inclusionAI 团队开源了一个叫 Ming-3.0-tts 的语音模型，MIT 协议，权重和代码都放出来了。它能用几秒音频克隆音色、用文字描述生成声音，还能把 [Laughter]、[Sigh] 这类标签念成笑声叹气。有开发者拿 16 GB 的 RTX 2000 Ada 跑，发现 GPU 大部分时间在闲着——因为模型是一步一步生成音频的，每步之间要等 CPU 的 Python 代码准备下一步，显卡再快也得排队。换成 4090 实测只快了约 17%。

对你意味着想本地跑语音克隆、做配音或播客工具的人值得看：先跑 nvidia-smi 看利用率，再决定要不要花钱租大卡，别白烧算力钱。