NEE's Blog

Kitten TTS：超轻量级 CPU 文本转语音库

March 19, 2026

本文翻译自 Kitten TTS，原载于 Hacker News。

项目简介

Kitten TTS 是一个基于 ONNX 构建的开源、轻量级文本转语音（Text-to-Speech, TTS）库。它的模型参数量从 15M 到 80M 不等（磁盘占用 25-80MB），能够在 CPU 上提供高质量的语音合成，完全不需要 GPU。

最新消息： Kitten TTS v0.8 已发布 —— 现已提供 15M、40M 和 80M 参数的模型版本。

项目状态： 开发者预览版 —— API 可能会在版本间发生变化。

核心特性

  • 超轻量级 —— 模型大小从 25MB（int8 量化）到 80MB，非常适合边缘设备部署
  • CPU 优化 —— 基于 ONNX 的推理引擎，无需 GPU 即可高效运行
  • 8 种内置语音 —— Bella、Jasper、Luna、Bruno、Rosie、Hugo、Kiki 和 Leo
  • 可调节语速 —— 通过 speed 参数控制播放速度
  • 文本预处理 —— 内置管道处理数字、货币、单位等
  • 24kHz 输出 —— 标准采样率的高质量音频

可用模型

模型 参数量 大小 下载地址
kitten-tts-mini 80M 80 MB KittenML/kitten-tts-mini-0.8
kitten-tts-micro 40M 41 MB KittenML/kitten-tts-micro-0.8
kitten-tts-nano 15M 56 MB KittenML/kitten-tts-nano-0.8
kitten-tts-nano (int8) 15M 25 MB KittenML/kitten-tts-nano-0.8-int8

注意： 部分用户反馈 kitten-tts-nano-0.8-int8 模型存在问题。如果遇到问题，请提交 issue。

在线演示

你可以直接在浏览器中体验 Kitten TTS：Hugging Face Spaces Demo

快速开始

环境要求

  • Python 3.8 或更高版本
  • pip

安装

pip install https://github.com/KittenML/KittenTTS/releases/download/0.8.1/kittentts-0.8.1-py3-none-any.whl

基础用法

from kittentts import KittenTTS

model = KittenTTS("KittenML/kitten-tts-mini-0.8")
audio = model.generate("This high-quality TTS model runs without a GPU.", voice="Jasper")

import soundfile as sf
sf.write("output.wav", audio, 24000)

高级用法

# 调节语速（默认值：1.0）
audio = model.generate("Hello, world.", voice="Luna", speed=1.2)

# 直接保存到文件
model.generate_to_file("Hello, world.", "output.wav", voice="Bruno", speed=0.9)

# 查看可用语音
print(model.available_voices)
# ['Bella', 'Jasper', 'Luna', 'Bruno', 'Rosie', 'Hugo', 'Kiki', 'Leo']

API 参考

KittenTTS(model_name, cache_dir=None)

从 Hugging Face Hub 加载模型。

参数 类型 默认值 描述
model_name str "KittenML/kitten-tts-nano-0.8" Hugging Face 仓库 ID
cache_dir str None 本地缓存模型文件的目录

model.generate(text, voice, speed, clean_text)

将文本合成为语音，返回 24kHz 的 NumPy 音频数组。

参数 类型 默认值 描述
text str – 要合成的输入文本
voice str "expr-voice-5-m" 语音名称
speed float 1.0 语速倍数
clean_text bool False 预处理文本（展开数字、货币等）

model.generate_to_file(text, output_path, voice, speed, sample_rate, clean_text)

合成语音并直接写入音频文件。

参数 类型 默认值 描述
text str – 要合成的输入文本
output_path str – 音频文件保存路径
voice str "expr-voice-5-m" 语音名称
speed float 1.0 语速倍数
sample_rate int 24000 音频采样率（Hz）
clean_text bool True 预处理文本

model.available_voices

返回可用语音名称列表：['Bella', 'Jasper', 'Luna', 'Bruno', 'Rosie', 'Hugo', 'Kiki', 'Leo']

系统要求

  • 操作系统： Linux、macOS 或 Windows
  • Python： 3.8 或更高版本
  • 硬件： 在 CPU 上运行；无需 GPU
  • 磁盘空间： 25-80 MB（取决于模型版本）

建议使用虚拟环境（conda、venv 或类似工具）以避免依赖冲突。

开发路线图

  • 发布优化后的推理引擎
  • 发布移动端 SDK
  • 发布更高质量的 TTS 模型
  • 发布多语言 TTS
  • 发布 KittenASR（语音识别）
  • 需要其他功能？告诉我们

商业支持

团队为需要将 Kitten TTS 集成到产品中的企业提供商业支持，包括集成协助、定制语音开发和企业许可。

社区与支持

许可证

本项目基于 Apache License 2.0 开源。

个人点评

Kitten TTS 的出现填补了一个重要的市场空白 —— 在边缘设备和资源受限环境中实现高质量语音合成。虽然目前市面上已有许多优秀的 TTS 方案（如 Coqui TTS、Bark、VITS 等），但它们往往需要 GPU 才能获得理想的性能。

Kitten TTS 的几个亮点值得国内开发者关注：

  1. 部署成本低：无需 GPU，单机即可运行，非常适合中小型项目
  2. 模型体积小：25MB 的 int8 量化版本甚至可以集成到移动应用中
  3. API 简洁：几行代码就能上手，学习曲线平缓
  4. 开源免费：Apache 2.0 许可证，商业使用友好

目前项目仍处于开发者预览阶段，API 可能会有变动，建议在生产环境使用前密切关注版本更新。期待后续的多语言支持和移动端 SDK，这将为更多应用场景打开可能性。

comments powered by Disqus