Kokoro：本地、CPU 友好，实现多语言高质量文本转语音！

本地高质量 TTS 成现实

就在几年前，实现逼真的本地语音合成似乎还是天方夜谭。如今，其质量已十分出色，而且关键的是，在实现这一效果的同时还能保障隐私。

运行情况与使用模型

上面的视频展示了根据示例文本生成的音频，该音频完全在本地机器上运行，这台机器在之前的文章中已有介绍。虽然这台机器配备了专用 GPU，但该 GPU 完全用于大语言模型（LLM）推理，语音合成则完全由 CPU 驱动。所使用的模型是 Kokoro，尽管它只有 8200 万个参数，却能生成包括英语、普通话和印地语在内的多种语言的逼真语音。它提供了约 50 种不同的语音，主要针对英语进行了优化。

设置服务器的方法

有几种方法可以为 Kokoro 设置服务器。最简单的方法是使用一个名为 Kokoro - FastAPI 的预制容器镜像，其中包含预先下载的语音模型。因此，这个容器镜像相当大，约为 5GB。要使用 Docker 或 Podman 启动容器，请使用相应命令。为了快速验证其是否正常运行，容器会在 localhost:8880/web 提供一个简单的 Web UI。在这里，你可以输入文本并生成（并自动播放）音频。

兼容接口与测试代码

除了简单的 Web UI，这个容器还提供了一个与 OpenAI 语音 API 兼容的 TTS 接口，这使得已经使用 OpenAI 语音 API 的现有程序能够轻松适配。为了便于快速测试，在相关平台上提供了 JavaScript 和 Python 的示例代码。克隆这个仓库后，就可以进行后续的演示。对于 JavaScript 和 Python 分别有对应的命令，生成的音频将保存为 MP3 文件。如果你的机器上安装了 SoX 或 Sound eXchange，音频还会自动播放。你还可以通过设置 TTS_VOICE 环境变量来选择不同的语音，完整的可用语音列表可以在 Kokoro 官方项目页面找到。

合成速度测试

合成速度有多快呢？以下是使用 am_eric 语音对一段简短测试段落进行合成的时间测量结果。以下列表总结了不同 CPU 上的生成时间（三次运行的最佳结果）：Intel Core i7 - 4770K：4.7 秒；Apple M2 Pro：4.5 秒；AMD Ryzen 7 8745HS：1.5 秒。列表中的第一款 CPU 是 12 年前发布的。如果这么老的 CPU 都能很好地完成任务，就说明这是一个功能强大的 TTS 系统。

另一选择 Speaches

最后，如果你想选择另一个与 OpenAI 兼容的容器化 TTS 服务，可以考虑 Speaches。与 Kokoro - FastAPI 不同，Speaches 需要你通过其 API 显式下载语音权重，因为这些权重没有包含在容器镜像中。不过，Speaches 的优势在于它集成了 Whisper，这是 OpenAI 著名的高质量语音转文本（STT）系统。如果你的应用程序同时需要 TTS 和 STT 功能，Speaches 可能是一个一站式解决方案。将这样的语音合成系统与本地大语言模型结合使用，你就可以聆听大语言模型的回答，而不必阅读它们！