kyutai-labs/pocket-tts

项目概览

pocket-tts 是一款轻量级、低延迟的文本转语音（TTS）应用，具备声音克隆功能。它专为标准 CPU 环境设计，无需依赖 GPU 或外部 Web API 即可高效运行。

项目类型

语音音频

应用场景

语音音频

部署方式

查看项目说明

License

MIT

适合谁

• 需要在标准 CPU 硬件（最少2核）上进行低延迟语音生成和声音克隆的开发者。
• 寻求无需编写大量代码即可通过 Web 界面、CLI 运行 TTS 服务或直接使用 Python 库的用户。

核心能力

• 在标准 CPU 上高效地将文本输入生成为语音音频。
• 支持从普通的 wav 文件输入或预导出的 safetensors 文件中克隆声音。
• 支持英语、法语、德语、葡萄牙语、意大利语和西班牙语。
• 提供约 200ms 低延迟的生成音频流。
• 提供 serve 命令来运行带有 Web 界面的本地服务器，以便通过 HTTP 请求生成音频。
• 能够处理无限长度的文本输入以进行音频生成。
• 允许作为简单的 Python 库使用，从文本生成音频。

限制与风险

• 在 GPU 上运行此 TTS 模型相比 CPU 执行并未观察到速度提升，专为 CPU 优化。
• 当前不支持在文本输入中添加静音标签来在生成的语音中产生停顿效果。
• 存在未经明确和合法同意进行声音冒充或克隆的潜在风险，使用者在克隆声音时需履行合规检查责任。

如何开始

• 安装非常简单，无需手动管理依赖。可通过 pip install pocket-tts 或 uvx pocket-tts 完成安装，随后运行 pocket-tts generate 命令即可输出 wav 文件。需要 PyTorch 2.5+。

核验依据

• README: A lightweight text-to-speech (TTS) application designed to run efficiently on CPUs. Forget about the hassle of using GPUs and web APIs serving TTS models. With Kyutai's Pocket TTS…
• README: You can also use `pip install pocket-tts` to install it manually.
• README: * Runs on CPU * Small model size, 100M parameters * Audio streaming * Low latency, ~200ms to get the first audio chunk * Faster than real-time, ~6x real-time on a CPU of MacBook A…
• Release: v2.1.0
• README: The `--voice` argument can also take a plain wav file as input for voice cloning.

内容核验时间：