Pocket TTS

Pocket TTS

Kyutai 的 100M 参数文字转语音模型，在 CPU 上运行，支持六种语言，流式输出音频，首个音频块约 200 毫秒，可用 Python 或命令行。

由 kyutai 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 是 Kyutai 推出的轻量级文字转语音应用，可在普通 CPU 上运行。你用 pip 安装，然后用一个函数调用或一条命令生成音频，不需要 GPU，也不需要语音网络服务。

它约有 100M 参数，支持流式输出，能处理任意长度的文本。模型卡说它大约 200 毫秒就开始输出，在 MacBook Air M4 的 CPU 上比实时快约 6 倍，只用 2 个核。这个仓库的名字说明它不含声音克隆。

适合谁：适合想在没有 GPU 的情况下本地输出英语、法语、德语、葡萄牙语、意大利语或西班牙语语音的开发者和爱好者。商用前请查看每个声音的许可证页面。

Industry | Who uses it | How they use it | Example
软件 | 应用开发者 | 给应用加入本地文字转语音 | 不需要服务器就能朗读的阅读器
无障碍 | 工具构建者 | 在普通笔记本上朗读文字 | 只有 CPU 的机器上的屏幕阅读器
媒体 | 内容创作者 | 为短脚本配音 | 快速的配音草稿
教育 | 语言应用制作者 | 用六种语言朗读例句 | 给学习者的发音片段

如果你需要录音棚级的富有表现力的声音，或者其他语言，可以跳过它，因为模型卡列出了六种。

用在哪里：它在 CPU 上运行，可用 Python 或命令行，模型卡说它还能在浏览器里运行。

• Python 3.10 到 3.14，以及 PyTorch 2.5 或更新版本
• pocket-tts 命令行
• 浏览器，通过模型卡列出的客户端版本
• 只用 CPU 版的 PyTorch 就够了

Use case | Who | What they get back
本地旁白 | 开发者 | 不用 GPU 就能由文本得到 wav 文件
流式语音 | 应用构建者 | 约 200 毫秒后开始输出的音频块
多语言语音输出 | 产品团队 | 六种语言的语音

如何设置：你需要 Python 和 PyTorch 2.5 或更新版本，但不需要 GPU 版的 PyTorch。模型卡推荐 uv，它会即时安装依赖，你也可以用 pip 安装这个包。

• Python 3.10 到 3.14
• PyTorch 2.5 或更新版本，CPU 版即可
• uv 或 pip

1. 安装 uv，或者准备用 pip 安装这个包。
2. 运行 generate 命令，或者先安装这个包。
3. 用命令选项选择声音、文本和语言。

pip install pocket-tts

pip install -U huggingface_hub
hf download kyutai/pocket-tts-without-voice-cloning

如何使用：运行 generate 命令。它会用默认文本和声音写出 tts_output.wav，并打印一些速度统计。加上选项就能更换声音、文本和语言。

uvx pocket-tts generate
# or if you installed it manually with pip:
pocket-tts generate

Tool | What it does
pocket-tts generate | 由文本写出 wav 文件并显示速度统计
--voice | 选择声音
--text | 设置要朗读的文本
--language | 选择语言模型，例如 italian_24l 是更大的意大利语模型
--config | 指向自定义权重，可以是文件、网络或 hf 路径

示例：你用 alba 这样的声音和一句简短的英语运行 generate 命令。命令会保存 tts_output.wav，并打印速度统计，让你看到它运行得有多快。

新手与专家：如果你是新手，先不加任何选项运行命令，听一听文件，再更换声音。模型卡列出了一个小型声音目录，比如英语的 alba 和法语的 estelle。

如果你熟悉这个领域：模型卡为非英语语言提供了更大的 24 层变体，音质更好但速度更慢。训练代码已经发布，你可以训练自己的模型，还有一个社区部分列出了他人训练的模型。

用 uv 或 pip 安装
运行 pocket-tts generate
文本送入 CPU 模型
音频以块的形式流式输出
写出 wav 文件

注意事项：每个声音都有自己的许可证，在单独的页面上，请查看。仓库名字说它没有声音克隆，而模型卡的功能列表提到了它，所以依赖它之前请确认这个版本支持什么。

• License: CC BY 4.0
• Cost to run: 未提及费用，因为它在 CPU 上运行
• Data it reaches: 你朗读的文本，以及你下载的模型和声音文件
• Not for: 六种以外的语言，或没有核对许可证的声音

Hugging Face 上的数据（2026年11月13日）

• 框架：pocket-tts
• Formats: Safetensors
• 最近 30 天下载：12,179
• 点赞：44
• 许可证：cc-by-4.0
• 语言：en, fr, de, pt, it, es
• Quantized versions: 16
• Fine-tunes: 4
• 标签：pocket-tts, safetensors

链接

• 模型：https://huggingface.co/kyutai/pocket-tts-without-voice-cloning
• 文件：https://huggingface.co/kyutai/pocket-tts-without-voice-cloning/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 kyutai/pocket-tts-without-voice-cloning

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。