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
Kokoro、Pocket TTS、Phonon 31M 和 Supertonic 3 是参数不超过 1 亿、能在笔记本 CPU 上运行的开放文字转语音模型。对比它们的大小、语言、声音克隆和许可证。
现在有四个参数不超过 1 亿的开放文字转语音模型,可以在普通笔记本的 CPU 上运行:Kokoro、Pocket TTS、Phonon 31M 和 Supertonic 3。Kyutai 的 Pocket TTS 在 2026 年 1 月发布,Supertone 的 Supertonic 3 在 5 月发布,Gradium 的 Phonon 在 10 月发布,Kokoro 则从 2025 年 1 月就有了。它们在规格表上看起来相似,但差别决定了你能不能把哪一个用到产品里。
四个模型一览
| 模型 | 大小 | 语言 | 声音克隆 | 权重许可证 |
|---|---|---|---|---|
| Kokoro(hexgrad) | 82M,327 MB | 8 种,54 个音色 | 不支持 | Apache 2.0 |
| Pocket TTS(Kyutai) | 100M,0.22 GB | 6 种,README 里还有荷兰语 | 支持,约 5 秒样本 | CC BY 4.0,设有禁止用途声明 |
| Phonon 31M(Gradium) | 31M,64.5 MB | 仅英语 | 不支持,只能走 API | Apache 2.0 |
| Supertonic 3(Supertone) | 99M,约 400 MB | 31 种,不含中文 | 不支持,10 个预设音色 | OpenRAIL-M |
速度和质量都是自报的
下面的每个数字都来自对应模型的开发者,使用的硬件和测试集各不相同。Kyutai 报告 Pocket TTS 在 MacBook Air M4 上用两个 CPU 核心,速度约为实时的六倍,并称在它的笔记本对比中,只有它和 Kokoro 在 CPU 上比实时更快。Kyutai 在 10 月的更新里又加入了 18.2M 和 1.9M 参数的英语模型,在单个 CPU 线程上分别达到实时的 9.9 倍和 25 倍。Gradium 称 Phonon 31M 在笔记本 CPU 上大约 7 毫秒就开始发声。Supertone 称,即使与在 A100 上测量的更大模型相比,Supertonic 3 在 CPU 上也运行得很快。
质量方面的说法同样对不上。在 Gradium 的英语测试中,Phonon 31M 的 Elo 为 2,098,Kokoro 为 2,043。在 Kyutai 的测试中,Pocket TTS 的词错误率最低,为 1.84%,但在音频质量上落后于 Chatterbox Turbo,说话人相似度也是四个声音克隆模型中最低的。选择之前,请先用你自己的文本试听。
许可证比大小更关键
只有 Kokoro 和 Phonon 31M 的权重采用朴素的 Apache 2.0。Pocket TTS 在 Hugging Face 上标注为 CC BY 4.0,并设有禁止冒充、欺骗和非法内容的声明,而 Kyutai 的发布文章说采用 MIT,所以请核对你下载的那个仓库。每个预设音色都有自己的许可证,另有一个不含克隆功能的姊妹仓库,不需要授权。Supertonic 3 采用 OpenRAIL-M,这是一种 OpenRAIL 许可证,允许商用,但要求每一份副本和衍生模型都附带它的禁止用途清单。Phonon 更大的 40M 模型采用 CC BY-NC,不能免费商用。
你放弃了什么
小模型牺牲了可控性。Kokoro 的音色是固定的,大多数音色在大约 100 到 200 token 的文本上效果最好,长文本要切成小段。Pocket TTS 不能通过文本里的静音来插入停顿,官方也不支持 GPU。Phonon 31M 会把长输入切成句子,所以语调不会贯穿整段文本,而且它读其他语言时用的是英语发音。Supertonic 3 只有十个预设音色,克隆只在 Supertone 的托管服务里提供。如果你需要长篇旁白或很多自定义音色,在 GPU 上运行更大的模型更合适。
怎么选
- 英语场景下最小的文件: Phonon 31M 只有 64.5 MB,有 37 个音色,运行时支持 Python、Rust、C 和 C++、Swift、Android 和浏览器。
- 在 CPU 上做声音克隆: Pocket TTS 支持六种语言的声音克隆,但请先阅读访问声明和各音色的许可证。
- 使用最广泛的: Kokoro 在截至 2026 年 11 月 11 日的 30 天内约有 1250 万次下载,现成的音色最丰富。它不能克隆声音,最后一次模型发布是在 2025 年 2 月。
- 支持多种语言,包括韩语、日语和阿拉伯语: Supertonic 3,但 Supertone 在 2026 年 9 月归档了这个项目,所以不会再有修复。
- 更大但仍能本地运行的模型: ZONOS3-Mini 总参数 8 亿,但只激活约 1 亿,支持 43 种语言的声音克隆,Zyphra 称它能在笔记本、手机和浏览器里实时运行。它采用 Apache 2.0,2026 年 11 月 9 日才发布,还没有太多使用记录。
- 本次对比之外的另外两个 CPU 选项: OpenMOSS 的 MOSS-TTS-Nano 约 1 亿参数,支持声音克隆,列出约 20 种语言,输出 48 kHz 立体声,OpenMOSS 称它的 ONNX 版本在 MacBook Air M4 的单个核心上也能流畅运行。VieNeu-TTS v3 是面向越南语和英语的 131M 模型,有 23 个音色并支持克隆,模型卡称它在 CPU 上用 fp32 时首段音频约 300 毫秒。两者都采用 Apache 2.0,两个项目也都没有公布语音模型的质量基准。
最佳开源文字转语音模型榜单也列出了更大的选项,如何选择文字转语音模型则一步步讲解了决策过程。声音克隆词条解释了这些许可证所说的同意规则。
来源
- Kokoro-82M 模型卡(Hugging Face) huggingface.co
- Pocket TTS: a high-quality TTS with voice cloning that runs on CPU(Kyutai,2026 年 1 月 13 日) kyutai.org
- The tiny TTS was actually 10x too big(Kyutai,2026 年 10 月 20 日) kyutai.org
- Pocket TTS 模型卡和禁止用途声明(Hugging Face) huggingface.co
- Phonon 31M 英语模型卡(Hugging Face) huggingface.co
- Open-Sourcing Phonon, a suite of frontier on-device TTS models(Gradium) gradium.ai
- ZONOS3-Mini(Zyphra 博客,2026 年 11 月 9 日) zyphra.com
- Supertonic 3 模型卡(Hugging Face) huggingface.co
- Supertonic 仓库,2026 年 9 月 9 日归档(GitHub) github.com
- MOSS-TTS-Nano 仓库(GitHub) github.com
- VieNeu-TTS v3 Turbo 模型卡(Hugging Face) huggingface.co
本文涉及的模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Kokoro hexgrad | 82M | – | Apache 2.0 (宽松) | 0.38 GB 笔记本或手机 | |
| Pocket TTS Kyutai | 18M – 100M | – | CC BY 4.0 (宽松) | 0.127 GB 笔记本或手机 | |
| Phonon 31M Gradium | 31M | – | Apache 2.0 (宽松) | 0.0747 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 | |
| ZONOS3-Mini Zyphra | 800M 激活 100M | – | Apache 2.0 (宽松) | 10 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 | |
| VieNeu-TTS v3 Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) | 48M – 131M | – | Apache 2.0 (宽松) | 0.322 GB 笔记本或手机 |