Pocket TTS 是一个极其轻量、高效，专为CPU运行设计的文本转语音（TTS）模型。它的核心目标是让高质量的语音合成变得简单、快速且资源友好。

🎯 核心特点与优势

Pocket TTS 的设计哲学是“轻量”和“高效”，其主要特点如下：

  • 极轻量级：模型仅有 1亿参数，体积小巧。
  • CPU高效运行：专为CPU优化，无需GPU。在MacBook Air M4上测试，速度可达实时播放速度的6倍，并且仅使用 2个CPU核心。
  • 超低延迟：从输入文本到生成第一个音频块，延迟仅约 200毫秒，支持音频流式输出。
  • 功能丰富：支持语音克隆（可通过几秒的音频样本复制声音）、多语言（英、法、德、西、葡、意）以及无限长文本处理。
  • 易于使用：提供简洁的Python API和命令行工具，通过 pip install pocket-tts 即可安装。

🚀 快速上手

你可以通过以下几种方式立即体验：

  1. 命令行（CLI）：最直接的方式。

    1
    2
    3
    uvx pocket-tts generate --text "你好，世界" --voice alba
    # 或使用 pip 安装后
    pocket-tts generate --text "Hello world" --voice anna

  2. Python库：集成到你的代码中。

    1
    2
    3
    4
    5
    from pocket_tts import TTSModel
    model = TTSModel.load_model()
    voice = model.get_state_for_audio_prompt("alba") # 或使用本地音频文件
    audio = model.generate_audio(voice, "你的文本")
    # 保存音频...

  3. 本地Web服务：运行 pocket-tts serve 启动一个带Web界面的本地服务器，方便快速测试不同声音和文本。

  4. 在线Demo：直接访问Kyutai官网在线体验，无需安装。

🔧 高级功能与生态

  • 语音克隆：通过 --voice 参数传递一个 .wav 音频文件路径，即可克隆该声音。
  • 社区与扩展：项目拥有活跃的社区，已经产生了许多有趣的二次开发和集成，例如：
    • 浏览器运行：通过WebAssembly (Wasm) 实现，如 wasm-pocket-tts。
    • 其他语言绑定：如C++ (PocketTTS.cpp)、C#、Rust等。
    • 平台集成：有开发者将其集成到Home Assistant、Discord机器人、Unity游戏引擎等。
  • 训练代码已开源：你可以使用 training/ 目录下的代码训练自己的模型。

⚠️ 注意事项

  • 硬件依赖：虽然设计为CPU优先，但在某些x86 VM上，使用GPU可能获得更高速度（官方测试约2.6倍）。项目文档也详细说明了在GPU上运行的配置方法。
  • 使用限制：项目明确禁止将模型用于非法、欺骗、骚扰或未经同意的语音克隆等用途。
  • 许可证：代码和模型的具体许可证需查看项目根目录的 LICENSE 文件（通常为开源许可）。

💎 总结

Pocket TTS 是一个为“普及化”而生的TTS工具。它在保持高质量语音和丰富功能（如克隆、多语言）的同时，将运行门槛降到了最低——让普通的CPU电脑甚至浏览器都能流畅运行。如果你需要一个轻量、快速、可离线运行的语音合成解决方案，Pocket TTS是一个非常理想的选择。