4MB 的 TTS 模型,能在手机单线程上跑
KittenML 发布 Kitten-TTS-2 系列,最小 Pico 只有 4MB,全部 Apache 2.0。跟帖里聊了质量、标点、克隆和游戏情绪控制。
KittenML 放出了 Kitten-TTS-2 的代码和权重。这是一个多语言超小 TTS 模型家族,最小的 Pico 只有 4MB,官方说法是在手机单 CPU 线程上跑得比实时还快。TTS 就是把文字读成声音,这次的新东西主要是尺寸和多语言覆盖。

三个型号:
- Pico:约 7M 参数,4MB,8 种语言。
- Nano:约 17M 参数,8.8MB,8 种语言,质量更高。
- Mini:约 80M 参数,48MB,16 种语言。
代码和权重都是 Apache 2.0。上一代里 25MB 的 Nano 已经算小,这次 Pico 又小了大约 6 倍;这代同时升级了质量,加了多语言。发帖人说,它不放 GPU 也能跑,树莓派和手机单线程都行。
GitHub:KittenML/KittenTTS。Hugging Face demo:KittenTTS-2-Tiny-Demo。权重:Pico、Nano、Mini。
跟帖里比较实在的几点:
有人问语音克隆,发帖人回复,4MB 到 40MB 的模型太小,做不了零样本克隆;自定义音色这周末会发。有人想把模型用在游戏里,让同一个角色表达愤怒、压力等不同情绪,发帖人说这代重点是把资源受限硬件上的性能和多语言做好,下一代 Mini 模型应该会有情绪控制。
也有用户测了英语和德语,认为质量不错,但逗号和句号几乎被忽略,整段话粘成一句。这个问题对实际使用影响不小。
有人问 ComfyUI workflow,发帖人说还没有,可以先在 HF demo 上试,社区之后会补。还有人问 sherpa-onnx 兼容性,目前没有明确回复。
发帖人还在跟帖里对比了自家 1.7B ternary 模型和 VoxCPM2:前者在带口音克隆和其他语言上更好;VoxCPM2 的 44kHz 音频听感更饱满,中文支持也更好。
想试的话,先跑 HF demo,或者直接下权重。4MB 的 Pico 很适合拿来做离线小工具、游戏 NPC 的占位语音,或者手机上的低功耗朗读。标点问题还在,长句得自己处理一下。
发布时间: 2026-11-20 00:44