Pocket TTS 是 Kyutai 发布的本地语音合成项目，默认模型约 1 亿参数，可在 CPU 上流式生成语音，并提供 CLI、Python API、本地 Web 服务和声音克隆。
来源：github.com/kyutai-labs/pocket-tts 查看 GitHub 仓库 → 📘 使用教程 →官方仓库没有充值、订阅额度或转售入口，项目仍在 2026 年 9 月更新，并在 v3.1.0 补充 CPU 安装和训练资料，因此保留改造。
来源：github.com/kyutai-labs/pocket-tts/releases/tag/v3.1.0官方列出的模型约 1 亿参数，支持音频流式输出；README 报告 MacBook Air M4 上首个音频块约 200ms，速度约为实时的 6 倍，这些数字是官方特定硬件测量。
来源：github.com/kyutai-labs/pocket-tts官方预训练入口覆盖英语、法语、德语、葡萄牙语、意大利语和西班牙语；部分非英语语言另有更慢的 24 层版本。
来源：github.com/kyutai-labs/pocket-ttsgenerate 可把 WAV 作为 voice 输入；export-voice 能把音频提示转换为 safetensors 状态，重复使用时避免每次重新处理音频。
来源：github.com/kyutai-labs/pocket-tts命令行可直接生成 WAV，Python API 可复用模型和 voice state，serve 命令在本机 8000 端口提供 Web 界面和 HTTP 请求入口。
来源：github.com/kyutai-labs/pocket-ttsPocket TTS 先由 tokenizer 和 text conditioner 处理文本，再让 PyTorch 声学模型结合预训练或克隆的 voice state 逐块生成音频。CLI 封装 generate、export-voice 和 serve；Python API 通过 TTSModel.load_model 加载权重。模型和声音资源可来自 Hugging Face，所以首次运行及使用 URL/hf 配置时需要网络。
来源：github.com/kyutai-labs/pocket-ttsnumpy 2+sentencepiecetokenizerssafetensorshuggingface_hubscipy可选 torchao 量化适合本地播报、离线语音原型、CPU 服务器上的流式 TTS，以及经授权的声音克隆实验。需要已验证的生产 SLA、精确跨硬件延迟或公开网络服务时，还要自行做质量、并发、认证和滥用防护测试。
来源：github.com/kyutai-labs/pocket-tts截至 2026-09-23，最新 release 是 v3.1.0，发布于 2026-09-03。该版补充 Linux CPU-only 安装、训练测试、长文本切分修复、serve 默认 voice、语言微调说明及更多社区模型入口。
来源：github.com/kyutai-labs/pocket-tts/releases/tag/v3.1.0status: docs-only | checked_at: 2026-09-23 | environment: 核对官方 README、pyproject.toml、模型入口和 GitHub Releases | limitations: 未安装 Python 包，未下载模型或声音，未生成、试听和测速，也未启动 8000 服务或上传任何真人音频 | observed_output: 最新 release 是 v3.1.0，发布于 2026-09-03；包版本同为 3.1.0，要求 Python >=3.10,<3.15 与 torch>=2.5.0；Linux CPU-only 文档说明普通 pip 可能多下载约 3GB CUDA 运行库
来源：github.com/kyutai-labs/pocket-tts/releases/tag/v3.1.0KittenTTS 同样主打 CPU 本地推理，模型为 15M 到 80M 参数，当前 README 聚焦英文与 8 个预设声音；Pocket TTS 约 100M 参数，官方列出六种语言、声音克隆、流式输出和训练代码。只看最小模型体积可先试 KittenTTS；需要多语言或自有授权声音时，Pocket TTS 的官方路径更完整。
来源：github.com/KittenML/KittenTTS适合本地播报、离线语音原型、CPU 服务器上的流式 TTS，以及经授权的声音克隆实验。需要已验证的生产 SLA、精确跨硬件延迟或公开网络服务时，还要自行做质量、并发、认证和滥用防护测试。采用前需要核对：官方速度来自特定硬件，不能直接套到其他 CPU。
来源：github.com/kyutai-labs/pocket-tts；https://github.com/kyutai-labs/pock…PyPI 可能默认选择带 CUDA 运行库的 PyTorch wheel。只做 CPU 推理时，应按官方说明加入 PyTorch CPU index，可把大约 3GB 的默认安装降到约 200MB。
不需要。export-voice 可先把授权音频转换成 safetensors voice state，之后直接加载该状态。原始音频和导出的声音状态都应按敏感数据管理。
不建议直接暴露。官方 serve 主要用于本地 8000 端口试用，公网部署还需反向代理、认证、限流、上传大小限制、日志脱敏和声音克隆滥用防护。
不一定。官方在 Apple Silicon 上没有观察到收益，在一台 T4 云主机上测到约 2.6 倍加速；GPU 路径也未完整支持，serve 和 Docker 当前始终走 CPU。
Pocket TTS 提供六种官方语言、声音克隆、流式生成和训练代码；KittenTTS 的 15M 到 80M 英文模型更小。选择前应在目标硬件上比较音质、首包延迟、许可和安装体积。