5分钟上手KittenTTS：轻量级多语言TTS从安装到语音风格切换

5分钟上手KittenTTS：轻量级多语言TTS从安装到语音风格切换

【免费下载链接】KittenTTSState-of-the-art TTS model under 25MB 😻项目地址: https://gitcode.com/gh_mirrors/ki/KittenTTS

KittenTTS 是一个开源文本转语音库：模型文件最小仅 25MB，纯 CPU 即可运行，内置 8 个可切换音色，是多语言语音合成场景里上手成本很低的工具。

一个场景：先要出配音，再决定用什么引擎

你在给产品页做多语言配音，或者只是想快速听一段外语朗读。用商业 API 要申请密钥、算计费、依赖网络；用本地大模型，几个 GB 显存先摆在那里，还要有 GPU。

KittenTTS 适合这种场合：它基于 ONNX 推理，CPU 就能跑完整合成流程，最小的 nano 模型磁盘占用只有 25MB。项目官方路线图明确列出了多语言模型，当前版本以英文合成为主，多语言支持是接下来的方向。

KittenTTS 能力盘点：语言、音色与模型体积

音色列表与模型加载逻辑在 kittentts/get_model.py 里，也可以直接读model.available_voices拿到全部音色名。

上手路径：装好环境，跑通第一段语音，再换风格

装好环境

准备一个 Python 3.8+ 的独立虚拟环境，安装依赖很少，主要是 ONNX Runtime 这一类库：

pip install kittentts

跑通第一段语音

首次运行会从远端下载模型文件并缓存到本地，之后直接走缓存。下面这段代码就能出音频：

from kittentts import KittenTTS m = KittenTTS("KittenML/kitten-tts-mini-0.8") audio = m.generate("Hello, this is KittenTTS.", voice="Jasper") import soundfile as sf sf.write("output.wav", audio, 24000)

generate返回 24kHz 的音频数组，交给任意播放器就能听；也可以用m.generate_to_file直接写文件，仓库里的 example.py 是完整可运行的示例。

换语言与换风格

换音色只需把voice参数换成另一个名字：8 个音色里 4 男 4 女，Jasper、Bruno 偏男声，Luna、Rosie 偏女声。调语速传speed参数，1.0 是默认速度，1.2 表示快 20%。整个过程不需要改配置文件，也不用重新加载模型。

调优与进阶：这几个参数值得知道

• 语速：speed控制整体语速，模型配置里带各音色的速度先验，不同声音的基础节奏略有差异。
• 音调与音量：接口没有单独暴露这两项参数，靠音色选择加语速调节，或者对返回的音频数组做后处理。
• 风格选择：正式朗读和口语化播报建议用不同音色，8 个内置声音定位各不相同，听一遍再定。
• 自定义训练：接口仍处于开发者预览阶段，训练专属音色可以走官方支持渠道；推理核心在 kittentts/onnx_model.py，方便二次开发。

🎯 避坑指南：三个高频问题的排查顺序

• 合成效果不稳、读中文文本表现差→ 原因：当前版本的音素处理按英文流程构建 → 先用英文文本验证流程，多语言能力以官方新模型为准。
• 音质明显不如预期→ 原因：用了 25MB 的 int8 量化 nano 模型 → 换 41MB 的 micro 或 80MB 的 mini，听感差距比较明显。
• 首次运行等待很久→ 原因：模型文件要先下载再加载 → 下载完成后有本地缓存，第二次运行很快；网络中断时重新运行即可续传。

机器有 GPU 的话，也可以按仓库的 GPU 依赖安装并启用 cuda 后端，批量合成时速度更快。

结语

到这里，跑通的门槛已经很低：现在打开终端装好依赖，执行上面那段代码，几分钟内就能拿到第一段音频。下一步把 8 个音色挨个切换一遍，风格选择空间就一目了然了。

【免费下载链接】KittenTTSState-of-the-art TTS model under 25MB 😻项目地址: https://gitcode.com/gh_mirrors/ki/KittenTTS