QQ扫一扫联系
100M 参数、两个 CPU 核、还能克隆声音，现在装它不用碰命令行。
Pocket TTS 是 Kyutai 今年 1 月开源的语音合成模型，官方的定位很直白：塞得进 CPU，也塞得进口袋。AIGCPanel 把这个模型的服务端包做好了，模型、运行环境、推理进程、结果文件全是现成的。打开软件、下载、启动，这三下之后你就有一个本地 TTS 可以用，不用先跟 CUDA 搏斗。
先划重点：这是英文模型。上游已经支持英语、法语、德语、西班牙语、葡萄牙语、意大利语、荷兰语，AIGCPanel 目前这个包锁的是英文权重，合成中文会被直接拦下，不会给你一段莫名其妙的音频。
把模型跑起来只是一次实验，让它一直跑得稳才算产品。
规格先摆在这
不用显卡，两个 CPU 核就够
旧笔记本，或者没装独显的办公机，都能直接合成，风扇不会跟着起飞。
技术上它走的是 CALM 那条路：文本进 Transformer，直接在音频 codec 的连续帧上生成，最后解码成波形，中间没有「先把音频压成离散 token 再猜」这一步。少一次有损压缩，100M 参数也能撑起能听的音质。
官方给的数字是只占 2 个 CPU 核，MacBook Air M4 上约 6 倍实时，首块音频延迟约 200ms。这组数字是在单核很强的机器上测出来的，老机器更接近 1 倍实时，建议先拿一段短文本试水。
GPU 这件事官方讲得很实在：Apple Silicon 上没测到加速，4 核 x86 云机器配一张 T4 才有约 2.6 倍。所以这个包干脆按纯 CPU 来，加载时只记录 Device: cpu，不为一张用不上的显卡去校验驱动。
26 个音色，加一段音频就能克隆
预设音色里英文有 21 个：alba、marius、anna、mary、peter_yearsley……挑一个就能合成。想用自己的声音，传一段参考音频，模型照着它念。
参考音频别随便录。Kyutai 的原话是，音色、情绪、口音、节奏，连同混响和麦克风条件都会被一起还原——一段带底噪的录音，合成出来也带着底噪。社区里常用的长度是 5 到 20 秒，先降噪再喂进去，差别听得出来。
工程上的优化在缓存：预设音色从随包的模型缓存里读 embedding，参考音频则编码成一份 voice state，同一个音色连续合成多段，只编码一次。
克隆出来的声音，连你录音里的回声都会一起搬过来。
长稿子一次读完
几千字的英文稿丢进去，不会合成到一半卡住。服务端先按句子切开，逐句合成再按时序拼回去，进度条一格一格走，你能看见它到了哪。
切句有个坑：直接拼接会把 Hello, this 拼成 Hello,this，单词读变形，听感上就是音频和文字对不上。这个包保留了原文的词间距与标点，专门绕开它。
有一点要说清楚：这条路是批量出文件，不是流式对话。模型本身首块音频 200ms、可以边生成边播，但 AIGCPanel 现在的用法是等整段合成完再看结果。
装完就不用管
稳不稳，看几个藏在后面的地方。
权重校验。28 个权重文件逐个比对官方字节数和 sha256，对不上直接报错。权重坏掉最麻烦的地方不是报错，是它安静地跑起来，然后给你一段听不出哪里不对的音频。
默认 int8。官方动态量化默认开着，内存降下来、速度提上去；量化失败自动回退原始精度，不会为了省内存把服务搞挂。顺带一提，这个量化在 CUDA 上用不了，纯 CPU 反倒是它的舒适区。
种子复现。同一个种子加同一段文本，输出稳定，批量配音不用每次抽卡；采样温度每次合成后自动恢复，任务之间不会互相污染参数。
中文拦截。文本里出现中日韩、俄、阿、希伯来、泰文字符，任务直接返回「仅支持英文文本」，服务继续待命，不产出错误音频。
下载走 ModelScope 公开镜像，国内拉权重不用为网络折腾。
上手就三步
第一步，下载并安装 AIGCPanel，Windows 和 macOS 都有，Linux 版本还在完善。第二步，在模型页找到 Pocket TTS，等权重下完，点启动。第三步，进「语音合成」选它，填一段英文、挑个音色，点生成，音频就出现在任务列表里。
不需要自己装 Python 或 PyTorch，这些都在包里。权重和推理都在本机，装完之后断网也能继续用。
它不适合谁
要合成中文的，这个包现在给不了。要精细控制情感、停顿、重音的，它也没有这些参数，效果靠参考音频本身。要做实时语音对话的，等流式接入再看，现在更适合先把文件出好。
你会先拿它念什么？ 一段产品文案、一篇英文博客，还是你收藏很久的那段独白。跑完回来聊聊，哪个音色最像真人。
不必为了一段声音去买显卡，但值得为它录一段干净的参考音频。
