KittenTTS 实测：CPU 半秒合成一段中文
想在本机给 Agent 或脚本加一段语音，又不想申请云端 TTS 密钥时，KittenTTS 的轻量 ONNX 模型是一条路。我们 2026-10-27 在无显卡的 Debian 上装了 PyPI 包 kittenml 0.9.6，只拉 ONNX 依赖，用 nano-0.8（约 15M 参数）合成了中英文各一段，并压成网页可用的 MP3。
它是什么
KittenML 开源的文本转语音项目。一面是可在 CPU 跑的 ONNX 小模型（nano / micro / mini），一面是更大的 KittenTTS 2。本文只测能在普通服务器上几分钟装完的 nano。
| 仓库 | github.com/KittenML/KittenTTS（PyPI kittenml） |
|---|---|
| 作者 | KittenML |
| 许可证 | Apache-2.0 |
| 热度 | GitHub 16,514 星（截至 2026-10-27）；PyPI 包版本 0.9.6（上传于 2026-10-21） |
| 语言 | Python ≥3.8；ONNX 路径需 onnxruntime 等，不必装 GPU / PyTorch |
| 最新版本 | kittenml 0.9.6；实测模型 KittenML/kitten-tts-nano-0.8 |
解决什么问题
云端 TTS 要账号、计费和网络；很多开源大模型又重到本机装不动。nano 这类 ONNX 模型把「读一句提示词 / 报一段状态」压到几十兆缓存和半秒级合成，适合脚本播报、本地 Agent 语音反馈，以及不方便出网的环境。别指望它当工作室配音；声音克隆我们这次也没测。
怎么用
python3 -m venv .venv && source .venv/bin/activate
pip install kittenml --no-deps
pip install onnxruntime espeakng_loader phonemizer soundfile numpy huggingface_hub
python3 - <<'PY'
from kittenml import KittenTTS
model = KittenTTS("KittenML/kitten-tts-nano-0.8")
print(model.available_voices)
model.generate_to_file("你好，这是本地 TTS。", "out.wav", voice="Jasper")
PY
音色列表：Bella、Jasper、Luna、Bruno、Rosie、Hugo、Kiki、Leo。可用 speed 调语速。网页嵌入前建议用 ffmpeg 压成 MP3（我们实测 wav 约 500 KB，mp3 约 45–70 KB）。
实测
环境：2026-10-27 北京时间，Debian，Python 3.13.5，CPU，无 GPU，无 Hugging Face token（匿名下载，有速率提示）。
- 加载 nano-0.8：3.4 秒；缓存目录约 58 MB。
- 中文「你好，智涌AI。这是 Kitten TTS nano 在 CPU 上的实测。」音色 Jasper：墙钟 0.5 秒，音频约 10.7 秒，wav 512,044 字节 → mp3 约 69 KB。
- 英文一句，音色 Luna：墙钟 0.45 秒，音频 8.83 秒，mp3 约 45 KB。
未实测：KittenTTS 2（1.7B，需 PyTorch）；5–30 秒音频克隆；情感 / 事件标签；CUDA 后端；mini/micro 对比听感。官方另有云端 API，我们未注册。
听感上，nano 能听懂，但偏合成腔：中文节奏还行，音色干净却不像真人录音；英文 Luna 也清楚。做状态播报、演示旁白够用；要做有声书或广告配音，建议换更大模型或云端。匿名拉 Hugging Face 时终端会提示未认证、限速更高——公司网络若拦 HF，需要先解决下载通道。
装依赖时注意：我们第一次若直接 pip install kittenml，会开始解析 torch≥2.6，体积和编译时间都上去。官方 ONNX 文档写明可用 --no-deps 再装 onnxruntime、phonemizer、soundfile 等。phonemizer 依赖 espeak，Debian 上 espeakng_loader 包会带上加载逻辑，我们没有额外 apt 安装 espeak 也能跑通本次两段合成。
输出采样率 24 kHz。写入 wav 后我们用 ffmpeg 的 libmp3lame 转 MP3，中文约 69 KB、英文约 45 KB，适合直接嵌进文章；站点规范要求图片约 ≤200 KB、视频更严，音频按体积控制在几十 KB 即可。
适合谁，不适合谁
适合：要在本机给 Agent、脚本或演示加短语音，且不想申请 TTS 云密钥的人。不适合：要多语种工作室级音质、稳定音色克隆，或必须离线且不能从 Hugging Face 拉模型的场景。更大一档可看官方 KittenTTS 2；只要 Agent 剪视频可看本站 ffmpeg-skill。
