pocket-tts

环境要求

• Python 3.10、3.11、3.12、3.13 或 3.14
• PyTorch 2.5+（CPU 版即可，无需 GPU 版）
• 在 Linux 上建议从 PyTorch CPU 索引安装，以避免下载数 GB 的 CUDA 依赖
• 无需独立显卡，可以在普通笔记本或小型设备上推理

安装与启动步骤

1. 1确认 Python 版本

   先确认本机 Python 版本在 3.10~3.14 之间，版本不符需要先切换解释器。

   python --version

   复制

2. 2安装 pocket-tts

   用 pip 安装。Linux 上加上 PyTorch CPU 索引，只装 CPU 版 torch，体积从约 3GB 降到约 200MB。

   pip install pocket-tts --extra-index-url https://download.pytorch.org/whl/cpu

   复制

3. 3生成第一段语音

   用 generate 子命令合成语音，--text 指定文本，--voice 选择内置音色，默认英文模型。

   pocket-tts generate --text "Hello world, this is a test." --voice alba

   复制

4. 4启动 Web 界面

   serve 子命令会在本地 8000 端口起一个网页界面，模型常驻内存，比命令行反复调用更快。

   pocket-tts serve

   复制

5. 5在代码中调用

   也可以当作 Python 库使用：先加载模型，再取音色状态，最后生成音频。

   from pocket_tts import TTSModel
   import scipy.io.wavfile
   
   tts_model = TTSModel.load_model()
   voice_state = tts_model.get_state_for_audio_prompt(
       "alba"
   )
   audio = tts_model.generate_audio(voice_state, "Hello world, this is a test.")

   复制

关键配置

如何确认成功

执行 serve 后浏览器打开 http://localhost:8000 能看到网页界面，输入文本即可生成语音；命令行方式则检查输出音频文件是否正常播放。

常见问题

注意事项

• 首次运行会下载模型权重与音色文件，请保证网络通畅且留有足够磁盘空间。
• 模型为 100M 参数级别，英文小模型最低到 1.9M 参数，单核即可跑出实时速度。
• 音色克隆效果与参考音频质量强相关，建议先清理样本再使用。
• GPU 推理属于非官方用法，是否更快取决于硬件，部分设备上 CPU 已足够。