Kitten-TTS:开源文本转语音模型与推理库
提供1.7B参数的Kitten-TTS 2与15M-80M轻量ONNX模型,支持5-30秒音频声音克隆、20种语言和情感标签控制,可在CPU上实时运行。
Kitten-TTS是KittenML开源的文本转语音模型系列与配套Python库。旗舰模型Kitten-TTS 2为1.7B参数的1-bit TTS模型,支持上下文声音克隆(5-30秒参考音频,无需微调)与表达控制,内置115种音色,覆盖20种语言,输出24kHz音频。库中还包含15M至80M参数的轻量ONNX模型,可在无GPU的CPU上运行;CPU推理另有基于llama.cpp的C++分支,Apple Silicon可用MLX后端,Linux/WSL2可用vLLM后端。功能包括情感标签与强调标记等表达控制、按句切分的长文本拼接、数字与日期等文本预处理。声音克隆通过`reference=`参数传入参考音频,转录可由Whisper自动补全;表达控制目前为beta,效果因音色和句子而异。安装需Python 3.10+,约需8GB显存的CUDA GPU或6GB内存的CPU。