Pocket TTS 技能

基于 Kyutai Pocket TTS 模型的完全本地、离线文本转语音工具。无需任何 API 调用或网络连接即可从文本生成高质量音频。内置 8 种语音，支持语音克隆，完全在 CPU 上运行。

特性

• 🎯 完全本地化 - 无需 API 调用，完全离线运行
• 🚀 仅需 CPU - 无需 GPU，可在任何计算机上运行
• ⚡ 快速生成 - 在 CPU 上约为实时速度的 2-6 倍
• 🎤 8 种内置语音 - alba、marius、javert、jean、fantine、cosette、eponine、azelma
• 🎭 语音克隆 - 从 WAV 样本克隆任意语音
• 🔊 低延迟 - 首个音频块约 200 毫秒
• 📚 简洁的 Python API - 易于集成到任何项目中

安装

# 1. 在 Hugging Face 上接受模型许可协议
# https://huggingface.co/kyutai/pocket-tts

# 2. 安装包
pip install pocket-tts

# 或使用 uv 进行自动依赖管理
uvx pocket-tts generate "Hello world"

使用

命令行界面

# 基础用法
pocket-tts "你好，我是你的 AI 助手"

# 指定语音
pocket-tts "你好" --voice alba --output hello.wav

# 使用自定义语音文件（语音克隆）
pocket-tts "你好" --voice-file myvoice.wav --output output.wav

# 调整语速
pocket-tts "你好" --speed 1.2

# 启动本地服务器
pocket-tts --serve

# 列出可用语音
pocket-tts --list-voices

Python API

from pocket_tts import TTSModel
import scipy.io.wavfile

# 加载模型
tts_model = TTSModel.load_model()

# 获取语音状态
voice_state = tts_model.get_state_for_audio_prompt(
    "hf://kyutai/tts-voices/alba-mackenna/casual.wav"
)

# 生成音频
audio = tts_model.generate_audio(voice_state, "你好，世界！")

# 保存为 WAV 文件
scipy.io.wavfile.write("output.wav", tts_model.sample_rate, audio.numpy())

# 检查采样率
print(f"采样率: {tts_model.sample_rate} Hz")

可用语音

或使用 --voice-file /path/to/wav.wav 进行自定义语音克隆。

选项

要求

• Python 3.10-3.14
• PyTorch 2.5+（CPU 版本可用）
• 至少 2 个 CPU 核心

注意事项

• ⚠️ 模型需授权 - 请先在 Hugging Face 上接受许可协议
• 🌍 仅支持英语（v1 版本）
• 💾 首次运行会下载模型（约 1 亿参数）
• 🔊 音频以 1D torch 张量（PCM 数据）形式返回

相关链接

• 演示
• GitHub
• Hugging Face
• 论文