Pocket TTS Indonesian

Pocket TTS Indonesian

朗读印尼语文本，还能从一小段录音克隆声音，用 6 层模型在 CPU 上就能运行。适合需要印尼语语音、并有权使用该声音的开发者和创作者。

由 anak10thn 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Pocket TTS Indonesian 把印尼语文本变成语音，还能从一小段录音复制声音。它基于 kyutai 的 pocket-tts。训练用了 LEMAS 数据集中 502 小时的印尼语语音。仓库里有一个 6 层模型和一个 24 层模型，模型卡说要用 6 层的那个。

适合谁：它适合需要印尼语配音、或者想要不用 GPU 就能运行的小型语音模型的开发者和创作者。

Industry | Who uses it | How they use it | Example
软件 | 应用开发者 | 给应用加上印尼语语音 | 用印尼语朗读一句问候
媒体 | 视频和播客创作者 | 制作印尼语配音 | 用一段短录音里的声音朗读脚本
教育 | 语言教师 | 制作口语练习材料 | 为印尼语短句生成音频
研究 | 语音研究者 | 研究小型蒸馏语音模型 | 比较 6 层和 24 层模型

如果你需要其他语言，或者你无权使用想要复制的声音，可以跳过它。

用在哪里：它可以从命令行或 Python 运行，6 层模型在 CPU 上就能工作。

• 通过 uvx 运行的 pocket-tts 命令行
• 使用 TTSModel 类的 Python 脚本
• Windows、macOS 或 Linux 机器，6 层模型不需要 GPU

Use case | Who | What they get back
印尼语语音 | 开发者 | 朗读文本的 WAV 文件
声音克隆 | 创作者 | 接近你的录音的声音所说的语音
仅用 CPU 的语音 | 没有 GPU 的团队 | 约 2.23 倍实时的输出

如何设置：你需要 Python 和 uvx 工具来运行命令，或者用 pocket_tts 包在 Python 里使用。你还需要一段声音录音，也可以用仓库里四个示例声音之一。

1. 安装 Hugging Face 的 hub 工具。
2. 如果想放在本地，就下载模型文件。
3. 运行 generate 命令，它会按路径取回配置。
4. 传入你自己的录音，或者不指定声音，使用默认的英语声音。

pip install -U huggingface_hub
hf download anak10thn/pocket-tts-indonesian

如何使用：用一个声音文件、你的文本、结束语音的设置和输出路径来运行 generate 命令。模型卡说要传入 -6.0 的 eos 阈值。

uvx pocket-tts generate \
    --config hf://anak10thn/pocket-tts-indonesian/indonesian_6l.yaml@17257664e384561c957b02ac92edd1a24807f0e5 \
    --voice your_voice.wav \
    --text "Selamat pagi, semoga hari Anda menyenangkan." \
    --eos-threshold -6.0 \
    --output-path out.wav

在 Python 里，加载模型，用你的录音构建状态，再生成音频。

from pocket_tts import TTSModel

model = TTSModel.load_model(
    config="hf://anak10thn/pocket-tts-indonesian/indonesian_6l.yaml@17257664e384561c957b02ac92edd1a24807f0e5"
)
state = model.get_state_for_audio_prompt("your_voice.wav")
audio = model.generate_audio(state, "Selamat pagi, semoga hari Anda menyenangkan.")

Tool | What it does
uvx pocket-tts generate | 根据文本和声音提示生成语音文件
--eos-threshold -6.0 | 设置模型卡推荐的结束语音数值
TTSModel | 在 Python 里加载模型并生成音频
hf download | 把模型文件下载到你的电脑

示例：你把 your_voice.wav 和问候语 "Selamat pagi, semoga hari Anda menyenangkan." 交给 generate 命令。你会得到 out.wav，这是用接近你的录音的声音朗读的印尼语问候。只使用你有权使用的声音。

新手与专家：声音克隆就是让模型从样本里复制说话人的声音。先用四个示例声音之一和一个简短的句子开始。数字请写成单词，因为词表里没有阿拉伯数字。

小的学生模型是用把引导融入其中的方式，从较大的教师模型蒸馏而来的，所以一次处理就能得到有引导的质量。一段安静的 48 kHz 录音，克隆得比更响但被压缩的录音更有辨识度。分词器忽略字母大小写，连字符现在也能用了。

准备一段声音录音
写印尼语文本，数字写成单词
运行 generate 命令
6 层模型朗读文本
把音频保存为 WAV 文件

注意事项：模型卡在来自 116 位说话人的 153 个跨句配对上，对比了学生模型和教师模型，学生模型的词错误率更低。

Title: 评测集上的词错误率中位数，越低越好
6 层学生模型: 9.09 percent
24 层教师模型: 16.67 percent

• Size: 6 层模型约 438 MB，教师模型为 1.27 GB。
• Speed: 在 CPU 上约为 2.23 倍实时，教师模型是 0.69 倍。
• Quality: 声音相似度和克隆的辨识度在很大程度上取决于录音质量。
• License: CC BY 4.0。
• Cost to run: 未提及。
• Data it reaches: 你的声音录音和文本，以及从 Hugging Face 取回的模型文件。
• Not for: 印尼语以外的语言，或未经许可克隆声音。

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：pocket-tts
• Formats: Safetensors
• 最近 30 天下载：0
• 点赞：10
• 许可证：cc-by-4.0
• 语言：id
• 基于：kyutai/pocket-tts
• Quantized versions: 1
• 标签：pocket-tts, onnx, safetensors, text-to-speech, indonesian, bahasa-indonesia, voice-cloning

链接

• 模型：https://huggingface.co/anak10thn/pocket-tts-indonesian
• 文件：https://huggingface.co/anak10thn/pocket-tts-indonesian/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download anak10thn/pocket-tts-indonesian

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。