KittenML/KittenTTS

解決的問題

Kitten TTS 提供了一個輕量級、開源的文字轉語音 (TTS) 函式庫，讓高品質的語音合成能在 CPU 上高效執行，而無需 GPU。它滿足了邊緣部署和本地環境中對於快速、低資源佔用音訊生成的需求。

運作方式

該函式庫建構於 ONNX runtime 之上，提供了多種模型變體（參數量從 15M 到 80M 不等），以平衡效能與大小。它包含內建的文字預處理管線，能處理數字、貨幣和單位，並以 24 kHz 的取樣率輸出音訊。使用者可以從八種內建語音中進行選擇，並透過簡單的 API 調整語音速度。

適用對象

希望將語音合成整合到應用程式中的開發者，且這些應用程式必須在有限的硬體、邊緣裝置或無法使用 GPU 加速的系統上執行。

亮點

• 超輕量級：模型在磁碟上的大小範圍為 25 MB 至 80 MB。
• CPU 最佳化：使用 ONNX 進行高效推論，無需 GPU。
• 內建語音：包含 8 種不同的語音（例如 Bella、Jasper、Luna）。
• 文字正規化：整合的管線用於展開縮寫、日期和貨幣。
• 靈活部署：同時支援 CPU 和 CUDA 後端。