听了听，感觉常态下可能还略有不如微软朗读，感情朗读倒是远胜于目前见到的方案，比如起点做的那个啥也不是的小说朗读。。。arxiv 说模型最大不超过 1B ，输入了 10 万小时的语音数据，说是挺多感觉还是挺科研向的，token 总数估计也就 10M 这个数量级。。。
