KittenTTS 2
17 亿参数的三值文本转语音模型,面向 CPU,提供 115 种声音、声音克隆和情绪标签。Stellon Labs 社区许可证。
一句话概括. KittenTTS 2 是一个小到能在普通电脑处理器上运行的文本转语音模型。它有 115 种内置声音,可以根据一小段录音复制声音,还能用简单的标签加入情绪和笑声之类的声音。研究和个人使用免费,企业在营收或融资超过 100 万美元之前也可以免费使用。
概述
KittenML 大约在 2026 年 10 月发布了 KittenTTS 2。我们只写到月份,是因为它的 Hugging Face 仓库创建于 9 月 30 日,而我们能看到的 GitHub 公开动态发生在 10 月 21 日到 27 日之间。它是一个 17 亿参数的语音语言模型,读入文本并输出 S3 编解码器 token,再由声码器转成 24 kHz 音频。KittenML 称它是全球首个三值文本转语音模型,这一说法我们没有核实。它的线性层权重是三值的,也就是每组 128 个值里的每个值只能是负的缩放值、零或正的缩放值,默认文件把它们打包成 0.95 GB,模型卡称其生成的音频与 3.47 GB 的 bf16 文件逐位一致。第三个文件 emb4 把 token 嵌入压缩到 4 位,约 0.49 GB,是语言模型唯一有损的打包方式。
它内置 115 种声音,只需 5 到 30 秒的单人录音就能克隆声音,不需要微调。模型卡把表情控制标为 beta:每行开头的标签设定十种情绪之一,行内标签加入笑声、叹息、倒吸气等十种声音事件,三重括号用来强调某个词,而且只识别这 20 个标签。语言覆盖有三种说法:模型卡写 16 种语言有命名声音,GitHub README 写 20 种,主页写 10 种,所以请自己测试需要的语言,非英文文本要按模型卡的说明传入 normalize=False,因为文本规范化器是为英文调的。README 要求有大约 8 GB 空闲显存的 CUDA GPU,或在 CPU 上约 6 GB 内存。它开箱即可在 CPU 上运行,用 llama.cpp 分支加载 GGUF 权重是最快的路线,另外还有面向 Apple 芯片的可选 MLX 后端、vLLM 后端,以及用保真度换占用空间的 39 MB 蒸馏解码器。
权重采用 Stellon Labs 社区许可证:研究、非商业和有限的商业使用免费,一旦你或你的关联方的年营收或累计融资超过 100 万美元,商业授权就会终止,而 Python 包采用 Apache 2.0。KittenML 还提供托管 API。我们没有找到独立的质量对比,所以 README 里的“SOTA”是开发方自己的说法。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计下载量约 66,500 次。
适合做什么
- 在笔记本或纯 CPU 服务器上做语音功能,因为默认权重不到 1 GB
- 需要情绪标签以及笑声、叹息和停顿的语音助手、旁白和角色配音
- 不经微调,用 5 到 30 秒的录音克隆声音
- 年营收和累计融资都低于 100 万美元、想免费商用的初创公司和小团队
需要注意
- 商业使用需要向 Stellon Labs 登记,年营收或累计融资达到 100 万美元时授权终止
- 许可证禁止用模型或其输出训练或蒸馏其他模型(微调和 LoRA 除外),分发时还要标注“Powered by KittenML”
- 语言支持不明确,不同地方写的是 10、16 和 20 种语言,非英文文本需要 normalize=False
- 情绪控制处于 beta 阶段,只能引导表达,不能保证效果
- 声音克隆可以模仿真人,请先取得同意
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 KittenTTS 2 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| Packed ternary (default) TERNARY | 1.7B | 0.95 GB | 6 GB | 笔记本或手机 |
| emb4 (4-bit embedding, lossy) TERNARY | 1.7B | 0.49 GB | 6 GB | 笔记本或手机 |
| Full bf16 BF16 | 1.7B | 3.47 GB | 6 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。 开发方给出的最低显存要求为 6 GB。
许可证,用大白话说
KittenML 发布的 KittenTTS 2 权重的许可证,文本日期为 2024 年 7 月 5 日。研究、非商业和有限的商业使用都免费。商业用户必须向 Stellon Labs 登记,一旦你或你的关联方的年营收或累计融资超过 100 万美元,商业授权就会终止。
- 仅在营收低于上限时可免费商用
- 需要署名或标明模型名称
- 须遵守可接受使用政策
延伸阅读
常见问题
- KittenTTS 2 是什么?
- KittenTTS 2 是一个小到能在普通电脑处理器上运行的文本转语音模型。它有 115 种内置声音,可以根据一小段录音复制声音,还能用简单的标签加入情绪和笑声之类的声音。研究和个人使用免费,企业在营收或融资超过 100 万美元之前也可以免费使用。
- KittenTTS 2 可以商用吗?
- 可以,但有条件。KittenTTS 2 采用 Stellon Labs Community 发布,允许商用,但附带额外规则:仅在营收低于上限时可免费商用; 需要署名或标明模型名称; 须遵守可接受使用政策。产品上线前请阅读许可证原文。
- KittenTTS 2 是开源的吗?
- KittenTTS 2 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 Stellon Labs Community 附带了开源促进会的定义所不允许的条件。
- 我能在自己的电脑上运行 KittenTTS 2 吗?
- 可以。最小版本 Packed ternary (default) 在 4 位精度下约需 6 GB 内存,现代笔记本或中端显卡即可胜任。
- KittenTTS 2 是什么时候发布的?
- KittenTTS 2 由 KittenML (Stellon Labs) 于 2026年10月 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- KittenTTS 2 model card (Hugging Face) huggingface.co
- KittenTTS repository: features, requirements and CPU, MLX and vLLM usage (GitHub) github.com
- Stellon Labs Community License text (Hugging Face) huggingface.co
- KittenML homepage kittenml.com
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Pocket TTS Kyutai | 18M – 100M | – | CC BY 4.0 (宽松) | 0.127 GB 笔记本或手机 | |
| Supertonic 3 Supertone | 99M | – | OpenRAIL-M (附条件) | 0.46 GB 笔记本或手机 | |
| Kokoro hexgrad | 82M | – | Apache 2.0 (宽松) | 0.38 GB 笔记本或手机 | |
| VoxCPM2 OpenBMB | 2.29B | – | Apache 2.0 (宽松) | 8 GB 笔记本或手机 |