Talking Pixel

Talking Pixel

给你一个会朗读你所输入文字的像素角色，用的是只有 1.4M 参数的小型语音模型，完全在浏览器里运行，不需要服务器，也不需要 GPU。

由 cfahlgren1 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Talking Pixel 是一个会朗读你所输入文字的像素角色。声音来自 PiVo-1.4M，一个约有 140 万参数的小型文字转语音模型，参数里包含它的声码器。它完全在你的浏览器里运行，所以没有服务器，也不需要 GPU。嘴唇的动作跟随模型自己给出的音素时长。

适合谁：它适合想听听一个很小的语音模型开口说话的人，也适合想看看语音合成如何完全在客户端运行的开发者。

行业 | 谁在用 | 怎么用 | 例子
软件 | 网页开发者 | 研究一个模型如何用 WebAssembly 和 worker 在页面里运行 | 阅读前端和声码器的源码
研究 | 语音研究者 | 听听一个 1.4M 参数的英语声音能做到什么 | 输入几句话，评判音质
游戏 | 独立创作者 | 看一个会说话、嘴会动的像素角色 | 看口型是怎么由音频音量驱动的
教育 | 学生 | 跟着学一整套浏览器端的语音流程 | 和基于服务器的声音做比较

如果你需要多种语言的自然声音，可以跳过它，因为这是一个很小的英语声音，听起来可能有金属感。

用在哪里：

• 网页浏览器：在 Hugging Face 上打开这个 Space 页面，输入你的文字。
• Windows、macOS 或 Linux：下载文件，然后在浏览器里打开 build/index.html。

使用场景 | 谁用 | 能得到什么
听文字被朗读 | 好奇的任何人 | 像素角色发出的语音，带口型同步
研究运行时 | 开发者 | 一个自制的 ONNX 解释器和一个 WebAssembly 内核
比较运行时 | 开发者 | 一个把这个运行时和 onnxruntime-web 做比较的基准页面

如何设置：使用托管页面不需要你做任何准备。下载副本需要 Python 和 pip，还需要一个浏览器。

• Windows、macOS 或 Linux 上的 Python，它自带 pip。
• 一个用来打开构建好的页面的网页浏览器。
• Node，只有想开发或重新构建时才需要。

1. 用 pip 安装 huggingface_hub 包。
2. 用 hf 命令把这个 Space 的文件下载到一个文件夹里。
3. 进入这个文件夹。
4. 让浏览器打开那个文件夹里的 build/index.html 文件。

pip install -U huggingface_hub
hf download cfahlgren1/talking-pixel --repo-type space --local-dir talking-pixel
cd talking-pixel

如何使用：打开页面，输入你想让它朗读的文字。角色会把它说出来，而且在整句合成完成之前就开始播放。页面里还有一个基准测试路由，把这个运行时和 onnxruntime-web 做比较。

如果想参与这个项目，先安装依赖，再使用下面的脚本。

npm ci
npm run dev
npm run check
npm run build

工具 | 作用
npm run dev | 以开发模式运行项目
npm run check | 检查项目
npm run build | 构建页面，并把真实的下载大小写进页面

示例：你打开页面，输入一句带有数字和缩写的话。文本前端会把它们规范化，模型生成音频，像素角色随声音张嘴把它说出来。

新手与专家：如果你是新手，打开页面，输入一句简短的话。听一听，再试一句带数字的长一点的话。声音会略带机械感。

如果你熟悉这个领域，文本前端是对模型的 Python 文本代码的精确移植，带有数字、金额、日期和首字母缩写的处理以及词典查找。编码器和解码器运行在一个小型 ONNX 解释器上，矩阵乘法用的是手写的 WebAssembly SIMD 内核。声码器是 FARGAN 风格的。合成由 Web Worker 完成，并以每 160 个采样一帧的方式把音频送给 AudioWorklet。页面用 SvelteKit 和 Svelte 5 构建。

你输入一些文字
文本前端把它规范化
编码器和解码器在 Web Worker 里运行
声码器把帧流式送给 AudioWorklet
像素角色带着口型同步说话

注意事项：这个声音只有英语，而且很小，只有 1.4M 参数，所以少数句子可能听起来有金属感。页面不需要下载 onnxruntime-web。

• License: apache-2 适用于 PiVo 的代码和权重，从 Xiph 和 Opus 衍生的声码器是 BSD-3-Clause，CMU 发音词典有自己的许可文件
• Cost to run: none named
• Data it reaches: none named，因为一切都在你的浏览器里运行，页面会下载它的模型文件和一个词典
• Not for: 听起来自然的语音，或者英语以外的语言

Hugging Face 上的数据（2026年11月13日）

• 点赞：2
• 构建方式：static
• 许可证：apache-2.0

链接

• Space：https://huggingface.co/spaces/cfahlgren1/talking-pixel
• 文件：https://huggingface.co/spaces/cfahlgren1/talking-pixel/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。