让电脑念一句“我没事”不难，难的是让它带着愤怒、耳语或叹气来念。Silencio-2瞄准的正是这种轻量模型缺少“表演感”的问题：它基于 Pocket TTS 18M 微调——即在已有模型上继续针对性训练——能识别写进文本的情绪与音效标签，例如 <angry>、<whisper> 和 [sigh]。
模型语音部分有18.2M参数，加入声音克隆所需的编码器后为27.9M，支持流式生成、短音频声音克隆和24 kHz输出，目前仅支持英语。作者称，它在 Apple M4、4个CPU线程且不用GPU时约达20倍实时，理论上生成20秒音频约需1秒；但这只是作者笔记本上的一次长文本运行，并非正式基准测试。
训练中最值得注意的反而是一次失败：作者曾用音频标签检测器筛选数据，结果悄悄删光了笑声、咳嗽和清嗓样本。最终版本取消了这道过滤。它提醒人们，自动筛选看似让数据更“干净”，也可能把模型最该学习的声音一并清掉。上述效果与速度均来自作者自述，尚无独立测评。