llama.cpp b12061支持无声音克隆的Pocket TTS预置音色
该版本把kyutai/pocket-tts-without-voice-cloning的预置音色转成提示嵌入存入mmproj，/tts接口和 --tts-voice可按名选择；无声音编码器的模型会拒绝说话人参考音频，未指定音色时默认使用第一个预置音色。
AI解读：llama.cpp发布b12061版本，合并了mtmd对Pocket TTS无声音克隆权重的支持（#31429），并同步提供macOS、Linux、Windows、Android等多平台预编译包。
Pocket TTS的预置音色以骨干模型在音色提示后的KV状态形式随权重发布。转换器把这些状态还原成提示嵌入，存入mmproj的voice.* 条目；被置零的声音编码器不参与转换，/tts的voice字段和 --tts-voice用于选择其中一个音色。
当模型不带声音编码器时，说话人参考会被拒绝。转换过程不会因音色问题失败，而是记录每个音色状态与重新提示骨干所得状态之间的距离，超过 5% 时告警；完全不属于该权重的状态会被跳过，因此kyutai/pocket-tts的权重包也能转换。按发布说明，意大利语、德语、西班牙语在bf16舍入误差内，english_2026-04偏差 2%，法语偏差 20%（其第 0 层状态来自其他权重）。
mtmd_gen_audio_info新增n_voices与mtmd_gen_audio_voice_name()，服务端在GET /props的voices字段列出模型自带的音色。向有预置音色的模型请求未知音色时返回 400 并指出音色名，而不是 500；没有预置音色的模型忽略voice字段并告警。
不提供音色或说话人参考时，llama-tts与服务端默认取第一个预置音色并在日志中说明，原因是这样模型在无音色提示时输出近乎静音；LFM3-Audio的音色名匹配改为不区分大小写。
llama.cpp发布b12061版本，其中mtmd部分加入对kyutai/pocket-tts-without-voice-cloning权重的支持，使不带声音克隆能力的Pocket TTS模型可以通过预置音色发声。发布说明由仓库机器人github-actions[bot] 发布，提交说明列出Xuan Son Nguyen与Pascal为共同作者。
预置音色如何进入推理
按提交说明，这些权重把预置音色以骨干模型在音色提示之后的KV状态形式随包发布。转换器把每个状态还原为提示嵌入，存进mmproj的voice.* 条目，被置零的声音编码器不纳入；推理时由 /tts的voice字段或 --tts-voice参数指定其中一个音色。
- 模型没有声音编码器时，提交说明称说话人参考会被拒绝。
- mtmd_gen_audio_info新增n_voices和mtmd_gen_audio_voice_name() 用于列出音色名，GET /props在模型自带音色时于voices字段返回。
转换与请求的边界
提交说明承认，Kyutai随包发布的音色状态并不总是与权重重新提示得到的状态一致：意大利语、德语、西班牙语在bf16舍入误差内，english_2026-04偏差 2%，法语偏差 20%（其第 0 层状态来自其他权重），而参考实现直接按原样加载，听起来仍是同一音色。转换器因此重新提示骨干并比较整个状态，逐音色记录距离，超过 5% 时告警；完全不属于该权重的状态被跳过，使kyutai/pocket-tts的权重包也能转换，转换不会因音色而失败。
- 向有预置音色的模型请求未知音色返回 400 并点名该音色，取代此前的 500 “failed to process TTS prompt”。
- 没有预置音色的模型忽略voice字段并给出警告，与其他音频生成模型行为一致。
- 既未给音色也未给说话人参考时，llama-tts和服务端取第一个预置音色并在日志中说明，因为无音色提示时模型输出近乎静音。
- LFM3-Audio的音色名查找改为不区分大小写，tts聊天模板会把音色名转小写。