Kitten TTS 是一款基于 ONNX 的开源轻量级语音合成库，模型仅 15M-80M 参数，最小 25MB 即可运行。无需 GPU，CPU 上就能实现高质量 24kHz 语音合成，支持 8 种内置音色和语速调节，适合边缘设备部署和实时语音应用，文末附详细使用教程

🎤 引言

语音合成（TTS）技术已经相当成熟，但大多数方案要么需要庞大的模型体积，要么依赖昂贵的 GPU 算力。对于想在边缘设备或普通 PC 上部署语音应用的人来说，选择并不多。

Kitten TTS 的出现改变了这一局面。这是一个基于 ONNX 的开源语音合成库，模型最小只有 15M 参数（int8 量化后仅 25MB），却能在 CPU 上跑出高质量的 24kHz 语音。不需要显卡，不需要云端 API，几行 Python 代码就能让机器开口说话。

⭐ 核心亮点

1. 极致轻量

Kitten TTS 提供了 4 种模型规格：

模型参数量体积适用场景
kitten-tts-nano (int8)15M25 MB移动端/嵌入式
kitten-tts-nano15M56 MB轻量级部署
kitten-tts-micro40M41 MB平衡选择
kitten-tts-mini80M80 MB高质量需求

最小 25MB 的体积意味着什么？你可以把它塞进一个微信小程序，或者运行在树莓派这样的设备上，完全不用担心存储和内存压力。

2. CPU 即可跑

基于 ONNX Runtime 优化，Kitten TTS 专门针对 CPU 推理做了优化。官方明确表示"无需 GPU"，这在 TTS 领域是相当少见的。对于没有显卡的用户，或者需要在服务器端批量处理语音任务的场景，这是个巨大的优势。

3. 8 种内置音色

开箱即用，提供 8 种预设音色：

  • Bella（贝拉）
  • Jasper（贾斯珀）
  • Luna（露娜）
  • Bruno（布鲁诺）
  • Rosie（罗茜）
  • Hugo（雨果）
  • Kiki（琪琪）
  • Leo（里奥）

通过简单的参数切换就能更换声音，还支持语速调节（speed 参数），从 0.5 倍慢速到 2 倍快速都能灵活控制。

4. 智能文本预处理

内置文本清洗管道，能自动处理数字、货币、单位等常见格式。比如输入"价格是 $199"，模型会自动将其转换为"价格是 一百九十九美元"的读音，省去了手动处理文本的麻烦。

📥 安装与使用

安装

pip install https://github.com/KittenML/KittenTTS/releases/download/0.8.1/kittentts-0.8.1-py3-none-any.whl

基础用法

from kittentts import KittenTTS
import soundfile as sf

# 加载模型（首次会自动从 Hugging Face 下载）
model = KittenTTS("KittenML/kitten-tts-mini-0.8")

# 生成语音
audio = model.generate(
    "这是一个基于 ONNX 的轻量级语音合成演示。",
    voice="Jasper"
)

# 保存为音频文件
sf.write("output.wav", audio, 24000)

进阶用法

# 调节语速（1.0 为正常速度）
audio = model.generate(
    "这句话会以 1.2 倍速播放。",
    voice="Luna",
    speed=1.2
)

# 直接保存到文件
model.generate_to_file(
    "直接保存到文件的示例。",
    "output.wav",
    voice="Bruno",
    speed=0.9
)

# 查看所有可用音色
print(model.available_voices)
# ['Bella', 'Jasper', 'Luna', 'Bruno', 'Rosie', 'Hugo', 'Kiki', 'Leo']

启用文本预处理

# clean_text=True 会自动处理数字、货币等格式
audio = model.generate(
    "价格是 $199.99，重量约 2.5kg",
    voice="Bella",
    clean_text=True
)

🎯 适用场景

1. 边缘设备部署

25MB 的模型体积让 Kitten TTS 成为物联网设备、智能音箱、车载系统的理想选择。不需要联网，本地就能完成语音合成，保护隐私的同时降低延迟。

2. 实时语音应用

对于需要低延迟响应的场景（如语音助手、实时播报），CPU 推理的优势就体现出来了。不需要等待 GPU 调度，即开即用。

3. 批量语音生成

做有声书、播客、视频配音的朋友，可以用 Kitten TTS 批量生成语音素材。8 种音色可以分配不同角色，语速调节让对话更自然。

4. 开发测试

快速原型验证阶段，不需要接入昂贵的云服务，本地跑通逻辑后再考虑优化方案。

⚠️ 注意事项

开发者预览版

目前 Kitten TTS 处于 v0.8 开发者预览阶段，API 可能会在后续版本中调整。生产环境使用时建议锁定版本：

pip install kittentts==0.8.1

int8 模型问题

部分用户反馈 kitten-tts-nano-0.8-int8 模型存在兼容性问题。如果遇到异常，建议切换到 fp32 版本：

# 如果 int8 版本有问题，改用标准版本
model = KittenTTS("KittenML/kitten-tts-nano-0.8-fp32")

系统要求

  • Python 3.8+
  • Linux / macOS / Windows
  • 建议使用虚拟环境（venv/conda）避免依赖冲突

🚀 未来规划

根据官方路线图，Kitten TTS 后续还将推出：

  • 优化的推理引擎（进一步提升速度）
  • 移动端 SDK（iOS/Android 原生支持）
  • 更高质量的 TTS 模型
  • 多语言支持（目前主要是英语）
  • KittenASR（语音识别，与 TTS 配套）

📝 总结

Kitten TTS 最大的价值在于轻量化 + 易用性。25MB 的模型体积、CPU 即可运行、8 种开箱即用的音色，这些特性让它成为个人开发者和小型团队的实用选择。

当然，作为早期版本，它在多语言支持和音色多样性上还有提升空间。但对于英语语音合成需求，特别是需要在资源受限设备上部署的场景，Kitten TTS 绝对值得一试。

在线体验：https://huggingface.co/spaces/KittenML/KittenTTS-Demo

项目地址：https://github.com/KittenML/KittenTTS

官网：https://kittenml.com