袖珍TTS技能

采用Kyutai袖珍TTS模型实现完全本地化、离线的文本转语音功能。无需任何API调用或网络连接即可从文本生成高质量音频。具备8种内置音色、支持声音克隆，并完全在CPU上运行。

功能特色

• 🎯完全本地化- 无需API调用，完全离线运行
• 🚀仅需CPU- 无需GPU，适用于任何计算机
• ⚡快速生成- CPU处理速度达实时2-6倍
• 🎤8种内置音色- 阿尔巴、马吕斯、沙威、冉阿让、芳汀、珂赛特、爱潘妮、阿赛玛
• 🎭声音克隆- 可通过WAV样本克隆任意音色
• 🔊低延迟- 首段音频块生成仅需约200毫秒
• 📚简易的 Python API- 可轻松集成到任何项目中

安装

# 1. Accept the model license on Hugging Face
# https://huggingface.co/kyutai/pocket-tts

# 2. Install the package
pip install pocket-tts

# Or use uv for automatic dependency management
uvx pocket-tts generate "Hello world"

使用

命令行界面

# Basic usage
pocket-tts "Hello, I am your AI assistant"

# With specific voice
pocket-tts "Hello" --voice alba --output hello.wav

# With custom voice file (voice cloning)
pocket-tts "Hello" --voice-file myvoice.wav --output output.wav

# Adjust speed
pocket-tts "Hello" --speed 1.2

# Start local server
pocket-tts --serve

# List available voices
pocket-tts --list-voices

Python API

from pocket_tts import TTSModel
import scipy.io.wavfile

# Load model
tts_model = TTSModel.load_model()

# Get voice state
voice_state = tts_model.get_state_for_audio_prompt(
    "hf://kyutai/tts-voices/alba-mackenna/casual.wav"
)

# Generate audio
audio = tts_model.generate_audio(voice_state, "Hello world!")

# Save to WAV
scipy.io.wavfile.write("output.wav", tts_model.sample_rate, audio.numpy())

# Check sample rate
print(f"Sample rate: {tts_model.sample_rate} Hz")

可用语音

或使用--voice-file /path/to/wav.wav用于自定义语音克隆。

选项

要求

• Python 3.10-3.14
• PyTorch 2.5+ (CPU版本可用)
• 可在2个CPU核心上运行

注意事项

• ⚠️ 模型需授权访问 - 请先在Hugging Face上接受许可协议
• 🌍 仅支持英语 (v1版本)
• 💾 首次运行会下载模型 (~1亿参数)
• 🔊 音频以1D PyTorch张量形式返回 (PCM数据)

链接

• 演示
• GitHub
• Hugging Face
• 论文