kyutai-labs/pocket-tts

解決的問題

Pocket TTS 是一款輕量級的語音合成（TTS）應用程式，無需昂貴的 GPU 或外部 Web API。它讓使用者能直接在本地 CPU 上從文字生成高品質音訊，提供快速、私密且高效的語音生成方式。

運作方式

此專案使用一個小型模型（1億參數）進行 CPU 執行優化。支援音訊串流與語音克隆功能，其中一段短音訊樣本（wav 檔案）可用來建立語音嵌入（語音狀態），模型將使用該嵌入生成特定語音的語音。支援多種語言，包括英語、法語、德語、葡萄牙語、義大利語和西班牙語。

適用對象

專為希望在不依賴 GPU 硬體的情況下將 TTS 功能整合到應用程式中的開發者，以及希望使用簡單 CLI 或 Web 界面進行本地語音生成的使用者設計。

主要特色

• CPU 優化：在 CPU 上高效運行，在 MacBook Air M4 上僅使用 2 個 CPU 核心即可達成最高 6 倍即時速度。
• 低延遲：約 200ms 內即可提供首個音訊區塊。
• 語音克隆：可從普通 wav 檔案或預先計算的 safetensors 嵌入中克隆語音。
• 多語言支援：支援六種主要歐洲語言。
• 彈性部署：提供 Python API、CLI 和本地 HTTP 伺服器，社群亦提供 WebAssembly、Rust、C++ 和 C# 的移植版本。