使用Kokoro实现本地、CPU友好、高质量的文本转语音（TTS）

# 本地、CPU友好、高质量的TTS（文本转语音）——使用Kokoro 来源：https://ariya.io/2026/03/local-cpu-friendly-high-quality-tts-text-to-speech-with-kokoro ## 2026年3月31日 \#tts (https://ariya.io/tags/tts/)\#privacy (https://ariya.io/tags/privacy/) 就在几年前，实现逼真的本地语音生成还显得难以想象。如今，其质量已出类拔萃，关键是，这一切都不以牺牲隐私为代价。 上方视频展示了一段示例文本生成的音频，完全在本地机器上运行（该机器曾在前文《GTX 1080 Ti 用于本地大语言模型》(https://ariya.io/2026/02/gtx-1080-ti-for-local-llm) 中讨论过）。虽然该机器配有独立GPU，但GPU完全用于LLM推理，而语音合成则完全由CPU驱动。 使用的模型是Kokoro (https://huggingface.co/hexgrad/Kokoro-82M)，尽管它“仅”有8200万参数，却能生成包括英语、普通话和印地语在内的多种语言的逼真语音。它提供约50种不同的声音，主要针对英语进行了优化。 有多种方式可以为Kokoro搭建服务器。最简单的方法是使用一个名为Kokoro-FastAPI (https://github.com/remsky/Kokoro-FastAPI) 的预构建容器镜像，其中包含了预先下载的语音模型。因此，该容器镜像体积较大，约5GB。 要使用Docker或Podman启动容器，请执行以下命令： `` podman run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu `` 要快速验证其是否正常运行，容器在`localhost:8880/web`提供了一个简单的Web界面。在这里，你可以根据给定文本生成（并自动播放）音频。 Kokoro 网页界面 除了简单的Web界面外，该容器还提供了一个与OpenAI语音API (https://platform.openai.com/docs/guides/text-to-speech) 兼容的TTS接口，这使得现有使用OpenAI语音API的程序可以轻松适配。为了便于快速测试，JavaScript和Python的示例代码可在github.com/remotebrowser/speak (http://github.com/remotebrowser/speak) 获取。克隆此仓库后，你就可以跟随后续演示进行操作。 对于JavaScript： `` export TTS_API_BASE_URL=http://127.0.0.1:8880/v1 ./speak.js "Good morning! How are you today?" `` 对于Python，命令非常相似： `` export TTS_API_BASE_URL=http://127.0.0.1:8880/v1 ./speak.py "Good morning! How are you today?" `` 生成的音频将保存为MP3文件。如果你的机器上安装了SoX或Sound eXchange（详情请见sox.sf.net (https://sox.sf.net/)），音频也会自动播放。 你也可以通过设置`TTS_VOICE`环境变量来选择不同的声音： `` export TTS_API_BASE_URL=http://127.0.0.1:8880/v1 export TTS_VOICE="am_eric" ./speak.js "Good morning! How are you today?" `` 所有可用声音的完整列表可以在Kokoro的官方项目页面找到：huggingface.co/hexgrad/Kokoro-82M/blob/main/VOICES.md (https://huggingface.co/hexgrad/Kokoro-82M/blob/main/VOICES.md)。 合成速度有多快？以下是在一小段测试段落上使用`am_eric`声音测得的几组数据： > 木星是我们太阳系中最大、质量最大的行星。这颗主要由氢和氦组成的气态巨行星，以其大红斑而闻名——这是一个已被观测了几个世纪的巨大风暴。 下列列表总结了在不同CPU上的生成时间（取3次运行中最佳值）： - Intel Core i7-4770K：4.7秒 - Apple M2 Pro：4.5秒 - AMD Ryzen 7 8745HS：1.5秒 列表中的第一款CPU已于12年前发布。如果那么古老的CPU都能正常工作，你就知道这是一个非常强大的TTS系统。 最后，另一个与OpenAI兼容的容器化TTS服务是Speaches（speaches.ai (https://speaches.ai/)）。与Kokoro-FastAPI不同，Speaches要求你通过其API显式下载语音权重，因为它们并未打包在容器镜像中。然而，Speaches的优势在于它包含了Whisper (https://openai.com/index/whisper/)，这是OpenAI著名的高质量语音转文字（STT）系统。如果你的应用需要同时具备TTS和STT功能，Speaches可能是一个一站式解决方案。 当与本地LLM结合时，像这样的语音合成系统可以让你享受聆听LLM答案的乐趣，而不必阅读它们！ *注意：本文最初发表于Remote Browser Substack (https://remotebrowser.substack.com/p/100-local-cpu-friendly-high-quality)。*