ZeroTTS

ZeroTTS

在笔记本 CPU 上实时朗读越南语文本，支持流式输出，并能用几秒钟的参考音频克隆声音。适合为应用和媒体加入越南语语音的开发者。

由 zeroweight-ai 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：ZeroTTS 是一个越南语文字转语音模型，通过 ONNX 库运行。它能在普通 CPU 上把文字转成语音，约 70 毫秒就能开始播放音频，还能用 3 到 30 秒的参考音频克隆声音，不需要为每个说话人单独训练。它也能处理夹在越南语里的英文单词。

适合谁：如果你需要不依赖 GPU、听起来自然的越南语语音，开发者和内容制作人都适合用它。请只克隆你有权使用的声音。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 新闻和播客制作人 | 朗读越南语脚本，包括其中的英文单词 | 用选定的声音朗读的一篇新闻稿
软件 | 应用开发者 | 为应用加入流式越南语语音 | 几乎立刻开口说话的语音助手
教育 | 课程制作者和老师 | 把书面课程变成音频 | 为听众朗读的一节越南语课

如果你需要主要面向其他语言的文字转语音模型，可以跳过它。

用在哪里：

• Windows、macOS 和 Linux 上的 Python 脚本和应用，在 CPU 上运行，不需要 GPU
• 通过 sounddevice 包实时播放，流式示例用的就是它
• 浏览器演示，作者的代码页面提供

用例 | 谁 | 得到什么
朗读文字 | 开发者 | 朗读该文字的 WAV 文件
实时语音 | 应用开发者 | 可以边生成边播放的音频块
声音克隆 | 制作人 | 用从一小段参考音频复制的声音说话

如何设置：
你需要先准备：

• Windows、macOS 或 Linux 上的 Python
• zerotts 包
• sounddevice 包，仅在使用流式播放示例时需要

1. 用 pip 安装 zerotts 包。
2. 可选：用 Hugging Face 的客户端下载仓库的文件。
3. 在 Python 里用 from_pretrained 和模型名称加载模型。

pip install zerotts

pip install -U huggingface_hub
hf download zeroweight-ai/ZeroTTS

如何使用：你加载模型，给它文字和声音名称，然后保存音频。要实时播放，模型卡还展示了一个按块返回音频的流式调用。

from zerotts import ZeroTTS

tts = ZeroTTS.from_pretrained("zeroweight-ai/ZeroTTS")
audio = tts.synthesize("Xin chào các bạn, mình là ZeroTTS.", voice="maichi")
tts.save_audio(audio, "out.wav")

工具 | 作用
ZeroTTS.from_pretrained | 按名称加载模型
synthesize | 用你指定的声音把文字变成音频
synthesize_stream | 边生成边输出音频块，用于实时播放
save_audio | 把音频写入 WAV 文件

示例：你让它用名为 maichi 的声音说一句越南语问候，“Xin chào các bạn, mình là ZeroTTS.”。代码会保存 out.wav，里面是朗读这句话的一小段录音。

新手与专家：ZeroTTS 会把文字朗读出来。可以先安装这个包，运行上面的短脚本，再播放 out.wav。如果听起来不错，再试着换一句话。

对熟悉这个领域的读者来说，声音就是一个小的潜变量数组，所以新增声音只需要参考音频，不需要微调。模型有 202M 参数，模型卡给出的 CPU 实时因子为 0.50。这些数字来自作者自己的基准数据集，在其中它的词错误率是 1.03%，下一个系统是 4.13%。

用 pip 安装 zerotts
用 from_pretrained 加载模型
传入文字和声音名称
得到完整音频或音频块
保存或实时播放

注意事项：

• 语言：专为越南语打造。模型卡还展示了用越南语参考音频生成英语输出的例子。
• 速度：模型卡报告首个音频约 70 毫秒，CPU 上的实时因子为 0.50。
• 基准：这些数字是作者在自己的 ZeroBench-TTS 数据集上测得的，所以对比结果请谨慎看待。

Title: 作者基准上的词错误率，越低越好
ZeroTTS: 1.03 %
OmniVoice: 4.13 %
XTTS-v2-vietnamse: 16.42 %
viXTTS: 18.40 %

• License: MIT。
• Cost to run: 未提及。它在 CPU 上运行，不需要 GPU。
• Data it reaches: 你提供的文字和参考音频，都在你自己的机器上。安装和加载时会通过网络获取文件。
• Not for: 未提及，不过未经他人许可克隆其声音不是应当追求的用法。

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：onnx
• 最近 30 天下载：8,091
• 点赞：54
• 许可证：mit
• 语言：vi
• 标签：onnx, text-to-speech, vietnamese, onnxruntime, zero-shot, speech-synthesis, voice-cloning, vietnamese-tts, tieng-viet, model-index

链接

• 模型：https://huggingface.co/zeroweight-ai/ZeroTTS
• 文件：https://huggingface.co/zeroweight-ai/ZeroTTS/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 zeroweight-ai/ZeroTTS

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。