KittenTTS

项目概述

KittenTTS 是一个开源文本转语音库。旗舰模型 KittenTTS 2 是一个 1.7B 参数的 1-bit 语音语言模型，只需约 5 秒参考音频就能克隆任意说话人的音色，还支持情绪标签与重读控制。它同时保留 15M 到 80M 参数的轻量 ONNX 模型，纯 CPU 即可运行，无需 GPU 就能实时合成 24 kHz 语音。

声音克隆与轻量部署兼顾，CPU 也能实时开口说话。

主要功能

• 声音克隆：5-30 秒单人音频即可复刻音色，无需微调
• 内置音色：47 个预置音色，含 9 个非英语音色
• 多语种合成：支持中、英、日、韩、法、德等 20 种语言
• 表情控制：情绪标签、事件标签与重读括号三种方式
• 解码预设：在稳定性与表现力之间按请求权衡
• 长文本处理：按句分块拼接，适合文章级朗读
• 文本预处理：数字、货币、日期、缩写自动展开朗读
• 轻量模型：15M-80M ONNX 模型，无 GPU 也能跑

适用人群

• 为应用添加语音朗读功能的开发者
• 需要克隆特定音色的内容创作者
• 在低配设备或边缘环境做语音合成的工程师
• 制作有声内容与配音的团队

快速上手

1. 安装：

pip install kittenml

2. 合成语音：

from kittenml import KittenTTS

m = KittenTTS('KittenML/kitten-tts-2')
audio = m.generate('你好，世界', voice='Bruno')

3. 克隆音色时把 voice 参数换成 reference，传入参考音频：

audio = m.generate('这是克隆的声音', reference='my_voice.wav')

4. 轻量模型通过同一个 KittenTTS 构造器加载，无需额外安装

核心优势

• 无 GPU 可用：轻量模型纯 CPU 运行，旗舰模型也有 CPU 路径
• 克隆门槛低：几秒音频、无需训练即可复刻音色
• 安装极简：单包安装，权重随用随下，无需登录 Hugging Face

系统要求

注意事项

• 克隆素材：参考音频需为 5-30 秒的单人录音，混入多人会明显降低相似度
• 权重选择：默认权重 947 MiB 无损，weights=emb4 体积减半但质量略降
• 旧版兼容：0.8 时代的 8 个音色在新模型中原样保留，旧代码无需改动