9.9K ·GitHub
这是什么？
Pocket TTS 是 Kyutai 推出的轻量级文本转语音引擎，只用 CPU 就能高效运行。它采用仅有 100M 参数的小型模型，支持流式音频输出和声音克隆。
Pocket TTS 是 Kyutai 推出的轻量级文本转语音引擎，只用 CPU 就能高效运行。它采用仅有 100M 参数的小型模型，支持流式音频输出和声音克隆。这是 Python 库、命令行工具，还是网页应用？三者都是：它既是可以通过 pip 安装的 Python 库和命令行工具，还提供一个本地的 'serve' 命令，通过 HTTP 提供网页界面，另外 Kyutai 官网上还有一个官方的浏览器演示。
三者都是：它既是可以通过 pip 安装的 Python 库和命令行工具，还提供一个本地的 'serve' 命令，通过 HTTP 提供网页界面，另外 Kyutai 官网上还有一个官方的浏览器演示。我第一次生成音频该怎么做？运行 `uvx pocket-tts generate --text ... --voice ...`（或先执行 `pip install pocket-tts`），会生成一个 ttsoutput.wav 文件；如果想让模型保持加载状态，改用 `pocket-tts serve`，通过本地网页界面或 HTTP 来生成音频。
运行 `uvx pocket-tts generate --text ... --voice ...`（或先执行 `pip install pocket-tts`），会生成一个 ttsoutput.wav 文件；如果想让模型保持加载状态，改用 `pocket-tts serve`，通过本地网页界面或 HTTP 来生成音频。安装时有什么需要注意的坑吗？在 Linux 上，直接用 pip 安装会默认拉取 PyTorch 的 CUDA 版本（体积增加好几 GB），但本应用只需要 CPU，所以必须让 pip 指向仅含 CPU 版 PyTorch 的索引源；macOS 和 Windows 不存在这个问题。
在 Linux 上，直接用 pip 安装会默认拉取 PyTorch 的 CUDA 版本（体积增加好几 GB），但本应用只需要 CPU，所以必须让 pip 指向仅含 CPU 版 PyTorch 的索引源；macOS 和 Windows 不存在这个问题。不同操作系统的安装过程有区别吗？有区别：Linux 用户必须手动选择仅 CPU 版的 PyTorch 索引，以避开 CUDA 版本；而 macOS 和 Windows 默认就提供仅含 CPU 的 wheel 包。
有区别：Linux 用户必须手动选择仅 CPU 版的 PyTorch 索引，以避开 CUDA 版本；而 macOS 和 Windows 默认就提供仅含 CPU 的 wheel 包。它有多快？目标是首个音频片段的延迟约为 200ms。在 MacBook Air M4 的 CPU 上，它只占用 2 个 CPU 核心，速度约为实时速度的 6 倍。
目标是首个音频片段的延迟约为 200ms。在 MacBook Air M4 的 CPU 上，它只占用 2 个 CPU 核心，速度约为实时速度的 6 倍。我可以克隆自定义声音吗？可以：把任意干净的 wav 文件传给 --voice 参数，即可实时克隆；或者用 export-voice 命令预先生成 safetensors 格式的声音嵌入文件，之后加载会快得多。
可以：把任意干净的 wav 文件传给 --voice 参数，即可实时克隆；或者用 export-voice 命令预先生成 safetensors 格式的声音嵌入文件，之后加载会快得多。内置了哪些语言和声音？它内置了英语、法语、德语、葡萄牙语、意大利语和西班牙语的预训练模型，另外还提供一批具名预设声音，如 alba、giovanni、lola 和 juergen。
它内置了英语、法语、德语、葡萄牙语、意大利语和西班牙语的预训练模型，另外还提供一批具名预设声音，如 alba、giovanni、lola 和 juergen。能不用 Python，直接在浏览器里运行吗？Kyutai 官网的演示已经可以直接在浏览器中运行；社区移植版本（基于 Candle 或 XN 的 WebAssembly/Rust 版，以及 ONNX Runtime Web 版）也能让它在客户端通过 JavaScript 运行。
Kyutai 官网的演示已经可以直接在浏览器中运行；社区移植版本（基于 Candle 或 XN 的 WebAssembly/Rust 版，以及 ONNX Runtime Web 版）也能让它在客户端通过 JavaScript 运行。What are similar projects?supertonic, neutts, VoxCPM, OmniVoice, F5-TTS, moshi, fish-speech, ebook2audiobook
supertonic, neutts, VoxCPM, OmniVoice, F5-TTS, moshi, fish-speech, ebook2audiobookWhich topics is it in?on-device, voice-cloning, speech-synthesis, raspberry-pi, text-to-speech, wasm, multilingual, apple-silicon, audio, streaming, offline, huggingface
on-device, voice-cloning, speech-synthesis, raspberry-pi, text-to-speech, wasm, multilingual, apple-silicon, audio, streaming, offline, huggingface