Kyutai 的 Pocket TTS 能在 CPU 上运行，仅需 5 秒音频即可克隆声音，采用 MIT 许可证发布。在英文 TTS 上与 Kokoro、Supertonic 和 Inflect-Nano 进行了基准测试。
摘要
Kyutai 发布了 Pocket TTS，这是一个文本转语音模型，只需 5 秒音频即可克隆声音，可在 CPU 上运行，并以 MIT 许可证发布。该模型在英文 TTS 上与 Kokoro、Supertonic 和 Inflect-Nano 进行了基准测试。
暂无内容
相似文章
kyutai-labs/pocket-tts
Kyutai 发布了 Pocket TTS，这是一个轻量级的文本转语音模型，可高效在 CPU 上运行，拥有 1 亿参数、低延迟和语音克隆功能，支持多种语言。
CPU TTS基准测试与UTMOS MOS评分：Kokoro、Supertonic、Inflect-Nano和Kyutai的新Pocket TTS [P]
一项CPU TTS基准测试使用UTMOS MOS评分对比了Kokoro、Supertonic、Inflect-Nano和Kyutai的Pocket TTS，揭示了关于RTF缩放、UTMOS在小声码器上的局限性以及未记录的输出上限的有趣发现。Pocket TTS在CPU上提供了独特的零样本声音克隆能力。
使用Kokoro实现本地、CPU友好、高质量的文本转语音（TTS）
本文介绍Kokoro，一个轻量级82M参数的文本转语音模型，可在本地CPU上运行，提供跨多种语言的高质量语音合成，同时保护隐私。文章解释了如何通过Docker容器设置Kokoro，并使用兼容OpenAI的API进行简单集成。
@0x0SojalSec: 别再为ElevenLabs或云端TTS付费了。只需3秒即可在笔记本电脑上完全本地克隆声音，将你的文档转…
一个免费、完全本地的语音克隆和TTS工具，由Qwen3-TTS和Kokoro驱动，通过MLX在Apple Silicon上运行，无需云服务即可从PDF生成工作室级有声书。
在CPU上对Kokoro 82M与Supertonic 3 TTS进行基准测试
详细的CPU基准测试，对比Kokoro 82M和Supertonic 3 TTS模型，测量不同文本长度下的RTF、延迟和吞吐量。结果显示Supertonic 3速度更快，但Kokoro生成的语音更自然，并针对不同使用场景给出了实用建议。