📌 项目地址：kyutai-labs/pocket-tts | ⭐ 5,966 颗星 | 🔧 Python | 📜 未标注
为什么需要 Pocket TTS
常见的 TTS 方案要么依赖 GPU 推理（模型动辄几百 MB 到 GB），要么使用云 API（有延迟、隐私担忧、按量付费）。如果只是想在自己的笔记本上快速生成一段语音，或者将 TTS 嵌入到边缘设备、桌面应用中，现有工具的门槛往往较高。Kyutai 实验室开源的 Pocket TTS 试图解决这个痛点：一个 纯 CPU 运行、模型仅 100M 参数、6 倍实时速度 的轻量级 TTS 库，安装后一条命令即可生成语音。
项目关键特性
- CPU 优先：不需要 GPU，甚至不强制安装 GPU 版的 PyTorch。
- 低延迟：大约 200ms 输出第一个音频块，支持流式输出。
- 体积小：模型 100M 参数，可轻松放入内存。
- 多语言：支持英语、法语、德语、葡萄牙语、意大利语、西班牙语（未来可能增加）。
- 语音克隆：可以基于少量样本复制音色（需要自行准备参考音频）。
- 无限长文本：可以处理任意长度的输入，不受模型上下文限制。
- CLI 和 Python API：既可在命令行直接使用，也可集成到 Python 项目中。
快速上手：CLI 用法
安装
推荐使用 uv（一个快速的 Python 包管理器），它会自动隔离依赖并安装：
uvx pocket-tts generate
如果已经安装了 pip，也可以：
pip install pocket-tts
pocket-tts generate
首次运行会自动下载模型权重，然后生成一个默认文本的 WAV 文件 ./tts_output.wav，并在终端打印速度统计信息。
自定义语音和文本
pocket-tts generate --voice alba --text "Hello, this is Pocket TTS." --language english
支持的语音列表及对应的许可证可以查看 Hugging Face 的 voices 页面。常见语音包括：
alba（英语）giovanni（意大利语）lola（西班牙语，部分语言未在 README 完整列出，建议参考官方文档）
使用其他语言的 24 层模型
某些语言提供更高品质但稍慢的 24 层变体，可通过 --language 指定，例如：
pocket-tts generate --language italian_24l
导出或服务
除了 generate，CLI 还提供 export-voice 和 serve 子命令，具体用法可参考官方文档。
Python API 集成
Pocket TTS 在 Python 中只需一次函数调用即可生成音频。由于 README 未列出具体 API 签名，详细用法请查阅文档。大致流程为：导入 pocket_tts，加载模型，调用生成函数并传入文本和语音参数。
性能表现
根据官方测试（MacBook Air M4, CPU 模式）：
– 首块延迟：约 200ms
– 实时因子：约 6 倍实时（即生成 1 秒音频约需 0.17 秒）
– CPU 核心占用：仅使用 2 个 CPU 核心
– 内存占用：模型约 400MB（100M 参数）
这些数据意味着 Pocket TTS 可以流畅运行在普通个人电脑、树莓派 5 等设备上，甚至可以通过 WebAssembly 在浏览器中运行（官方 Demo 即为此实现）。
注意事项
- Python 版本：支持 3.10 ~ 3.14，需要 PyTorch 2.5+（无需 CUDA 版本）。
- 语音许可证：每个预制语音的授权不同，使用前务必查看 Hugging Face 语音卡 中的 License 说明。
- 语音克隆：官方未在 README 中给出详细的克隆命令，需要参考文档或模型卡片。
- 非英语品质：部分语言的 24 层变体质量更高，但推理时间增长；默认的 12 层模型更轻快。
- 模型下载：首次使用时自动从 Hugging Face 下载（约 400MB），需要有网络连接。
适合怎样的用户
Pocket TTS 特别适合以下场景：
– 本地化 TTS 需求：不希望将文本发送到云端，且没有 GPU 资源。
– 嵌入式或低功耗设备：树莓派、NAS、旧笔记本等。
– 快速原型验证：一条命令即可合成语音，无需配置环境。
– 需要多语言支持的开发者：可以用同一套 API 生成多种语言的语音。
如果你是追求极致音质（如多说话人、情感合成）的用户，可能需要关注更大的模型（如 Bark、XTTS）。但若你在意 离线运行、部署简便、CPU 友好 这一组合，Pocket TTS 是目前最直接的选择之一。