KittenTTS

环境要求

• Python 环境（项目为 Python 实现，README 未标注具体版本）
• pip 包管理工具，可正常访问 PyPI 安装 kittenml
• 纯 CPU 即可运行，无需 GPU；GPU 场景为可选加速
• 若要保存 wav 文件，示例中还使用了 soundfile 库
• macOS 用 MLX 后端需 Apple 芯片；vLLM 后端需 Linux + NVIDIA Ampere 及以上显卡

安装与启动步骤

1. 1安装核心库

   一条命令完成安装，默认包含 Kitten-TTS 2 模型和轻量 ONNX 运行时，无需额外登录。

   pip install kittenml

   复制

2. 2跑通基础合成

   新建脚本加载默认模型，generate 返回音频数组，用 soundfile 写入 wav 文件。

   from kittenml import KittenTTS
   import soundfile as sf
   
   m = KittenTTS("KittenML/kitten-tts-2")
   
   audio = m.generate("Hi! umm.. how are you, I guess?  .. uh.. nice to meet you??",
                      voice="WeatherPresenterCheerful")
   sf.write("output.wav", audio, m.sample_rate)

   复制

3. 3选用小体积权重

   默认权重约 947 MiB 且无损；weights="emb4" 约 506 MiB，量化词嵌入，质量略降。

   m = KittenTTS("KittenML/kitten-tts-2", weights="emb4")

   复制

4. 4安装 CPU 加速后端

   C++ 后端 kitten_tts_cpp 在 CPU 上更快，可设线程数与解码器，目前处于 beta。

   pip install kitten_tts_cpp

   复制

5. 5调用 C++ 后端

   用 C++ 后端直接生成文件，decoder 选 student_w4，threads 按机器核数调整。

   from kitten_tts_cpp import KittenTTS
   
   model = KittenTTS("KittenML/kitten-tts-2", decoder="student_w4", threads=8)
   model.generate_to_file("One day, a little girl named Lily found a needle in her room.", "hello.wav", voice="Bruno")
   print(model.last_report)

   复制

6. 6Mac 启用 MLX

   Apple 芯片 Mac 安装 mlx 可选依赖，初始化时指定 backend="mlx" 调用。

   pip install "kittenml[mlx]"

   复制

7. 7GPU 用 vLLM

   Linux 且显卡计算能力 8.0 以上安装 vllm 可选依赖，脚本必须保留 main 保护。

   pip install "kittenml[vllm]"

   复制

8. 8启用 vLLM 推理

   指定 backend="vllm"，加 w4a16 量化约省 2 GB 显存；去掉该参数即用 bf16。

   from kittenml import KittenTTS
   
   def main():
       m = KittenTTS("KittenML/kitten-tts-2", backend="vllm",
                     vllm_options={"quantization": "w4a16"})
       m.generate_to_file("Hello there.", "output.wav", voice="Bruno")
       print("Saved output.wav")
   
   if __name__ == "__main__":
       main()

   复制

关键配置

如何确认成功

运行脚本后当前目录出现 output.wav（或 hello.wav），能正常播放且时长与文本长度相符即成功。

常见问题

注意事项

• 旧版 KittenTTS 0.8 的 Bella、Jasper、Luna、Bruno、Rosie、Hugo、Kiki、Leo 与新模型为同一批发音人，旧代码可继续使用。
• 安装 kittenml 时会一并装上小型 ONNX 运行时，轻量 0.8 系列模型用同一套安装即可。
• vLLM 后端仅限 Linux 与计算能力 8.0 及以上的 NVIDIA 显卡；7.5 显卡可用 float16 回退但非最优。
• 音色与表达参数的完整说明见仓库 docs/voices-and-expression.md。