Pocket TTS
Kyutai 的 1 亿参数声音克隆语音模型,在笔记本 CPU 上比实时更快。六种语言,CC BY 4.0 权重,需先同意使用声明。
一句话概括. Pocket TTS 能朗读文字,还能用大约五秒的音频复制一个声音。它小到在普通笔记本的处理器上就能比实时更快地运行,不需要显卡。权重可以免费使用,只需署名 Kyutai,但你必须接受一份禁止未经同意克隆他人声音的声明。
概述
Pocket TTS 是 Kyutai 的文本转语音模型,Kyutai 是巴黎的非营利研究实验室,模型于 2026 年 1 月 13 日发布。它约有 1 亿参数,Kyutai 把它拆成 9000 万参数的生成器和 1000 万参数的音频解码器,另有一个 1800 万参数的编码器,每个声音样本只运行一次。它不预测离散的音频 token,而是每个 80 毫秒的帧预测一组连续的音频特征,再用源自 Mimi 编解码器的解码器还原成声音。这套方法来自 Kyutai 的 Continuous Audio Language Models 论文。按模型卡的说法,它能用约五秒的音频克隆声音,约 200 ms 后开始说话,在 MacBook Air M4 上只用两个 CPU 核心,速度约为实时的六倍。模型卡列出英语、法语、德语、葡萄牙语、意大利语和西班牙语,GitHub 的 README 还列出了荷兰语。
发布文章在 LibriSpeech test-clean 上把它与 F5-TTS、Kyutai 自家的 1.6B TTS、Chatterbox Turbo 和 Kokoro 做了对比。Pocket TTS 的词错误率最低,为 1.84%,与 1.6B 模型持平。在人工两两比较的评分中,它在音质上胜过 F5-TTS 和 1.6B 模型,但不及 Chatterbox Turbo;它的说话人相似度是四个声音克隆模型中最低的,Elo 为 1898,其余为 1946 到 2037。在对比的声音克隆模型里,只有它在测试笔记本的 CPU 上比实时更快。最初的英语模型只用了约 8.8 万小时的公开英语数据集训练。这些都是开发者自己的结果。
Kyutai 还在持续扩展。仓库里现在有按语言划分的模型,非英语语言还有更大的 24 层版本,训练代码在 2026 年 8 月发布。2026 年 10 月,Kyutai 发布了小得多的英语模型,参数量(含解码器)分别为 1820 万、690 万和 190 万,由一个 3 亿参数的教师模型缩小而来。在它自己的 LibriSpeech 测试中,1820 万参数的模型词错误率为 0.85%,已发布的 1 亿参数模型是 0.92%;在单个 CPU 线程上前者的速度是实时的 9.9 倍,后者是 2.8 倍。190 万参数的模型速度是实时的 25 倍,错误率为 1.72%。这些同样是 Kyutai 自己的测量结果。
许可证需要留意。代码是 MIT。Hugging Face 仓库里的权重标为 CC BY 4.0,但发布文章说 Pocket TTS 以 MIT 许可证发布,所以请核对你下载的那个仓库。该仓库是受限访问的:你要接受一份声明,其中禁止未经明确且合法同意的声音冒充或克隆、虚假信息和欺骗,以及违法或有害内容。预设音色来自多个数据集,各自有许可证,列在 Kyutai 的 kyutai/tts-voices 仓库里。另有一个不带克隆功能的仓库 kyutai/pocket-tts-without-voice-cloning,发布不含克隆功能的权重,不需要申请访问。
适合做什么
- 在笔记本或小型服务器上,不用 GPU,用一小段样本克隆声音
- 离线、私密的朗读、助手和游戏,因为约 200 ms 后音频就开始流式输出
- 研究和微调,因为 Kyutai 发布了训练代码,第一个模型也只用公开数据集训练
- 非常小的部署,可以用 2026 年 10 月发布的 1800 万参数及以下的英语模型
需要注意
- 权重标为 CC BY 4.0,并设有禁止用途的访问门槛,而发布文章说是 MIT,请确认你所用仓库的条款
- 每个预设音色都有自己的许可证,放进产品前先核对
- 在 Kyutai 的测试中,它的说话人相似度不及 Chatterbox Turbo 和 Kyutai 自家更大的模型
- 克隆会还原样本的音质,包括噪声,所以要先清理音频
- 不能用文本里的静音插入停顿,GPU 运行也没有官方支持
- 速度和质量数字都是开发者自己报告的
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 Pocket TTS 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 |
|---|---|---|---|---|
| Pocket TTS 18M (English only) | 18M | 0.11 GB | 0.127 GB | 笔记本或手机 |
| Pocket TTS 100M (six languages) | 100M | 0.22 GB | 0.253 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。
许可证,用大白话说
一种知识共享许可证,只要署名,任何人都可以出于任何目的(包括商业用途)复制、分享和改编作品。它是为创作和数据类作品设计的,不是为软件设计的,但一些语音和数据发布也把它用在模型权重上。
- 需要署名或标明模型名称
延伸阅读
- Kokoro 与 Pocket TTS 对比:该用哪个微型开源文字转语音模型?
- 欧洲研发的开放权重 AI 模型
- 最佳开源语音模型:语音转文字与文字转语音
- 2026 年最佳开源文字转语音(TTS)模型
- 开放语音模型:转写很开放,文字转语音则参差不齐
- 在 CPU 上就能运行的小型文字转语音模型:四个开放选项对比
- ZONOS3-Mini:支持 43 种语言、能在浏览器里运行的开源 TTS
常见问题
- Pocket TTS 是什么?
- Pocket TTS 能朗读文字,还能用大约五秒的音频复制一个声音。它小到在普通笔记本的处理器上就能比实时更快地运行,不需要显卡。权重可以免费使用,只需署名 Kyutai,但你必须接受一份禁止未经同意克隆他人声音的声明。
- Pocket TTS 可以商用吗?
- 可以。Pocket TTS 采用 CC BY 4.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- Pocket TTS 是开源的吗?
- Pocket TTS 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 CC BY 4.0 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 Pocket TTS 吗?
- 可以。最小版本 Pocket TTS 18M (English only) 在 4 位精度下约需 0.127 GB 内存,现代笔记本或中端显卡即可胜任。
- Pocket TTS 是什么时候发布的?
- Pocket TTS 由 Kyutai 于 2026年1月13日 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。
- Kyutai: Pocket TTS, a high-quality TTS with voice cloning that runs on CPU (13 Jan 2026) kyutai.org
- Kyutai: The tiny TTS was actually 10x too big (20 Oct 2026) kyutai.org
- Pocket TTS repository and README (GitHub) github.com
- Pocket TTS model card and prohibited-use notice (Hugging Face) huggingface.co
- Continuous Audio Language Models (arXiv 2509.06926) arxiv.org
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 |
|---|---|---|---|---|---|
| Phonon 31M Gradium | 31M | – | Apache 2.0 (宽松) | 0.0747 GB 笔记本或手机 | |
| Kokoro hexgrad | 82M | – | Apache 2.0 (宽松) | 0.38 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 | |
| MOSS-TTS-Nano OpenMOSS | 100M | – | Apache 2.0 (宽松) | 0.276 GB 笔记本或手机 |