100M参数、CPU跑、6倍实时：Kyutai Labs 扔出一个轻量 TTS，连 GPU 都省了
Kyutai Labs 低调发布 Pocket TTS，100M 参数，CPU 运行，延迟 200ms，声音克隆只需 5 秒音频。开源 MIT 协议，免费商用。这可能是本地 AI 语音合成最务实的一次落地。
Kyutai Labs 又干了一件事。
上周他们悄悄放出一个叫 Pocket TTS 的应用，轻量到可以在 CPU 上跑文本转语音。100M 参数，不需要 GPU，不需要 API 密钥，不需要付费。
通常 TTS 模型依赖 Transformer 的 token 生成方式，延迟高，计算量大。Pocket TTS 绕过了这套机制，直接输出音频流。
实测数据：
- MacBook Air M4 上，生成速度是实时语音的 6 倍。
- 第一个音频块的延迟约 200ms。
- 只用 2 个 CPU 核心。
- 声音克隆只需要 5 秒音频样本。
- 开箱支持 6 种语言。
模型体积小到可以塞进任何边缘设备。MIT 许可证，训练数据全部来自公开数据集。没有隐藏条款，没有“仅供研究”的限制。
安装方式也简单：
```bash
pip install pocket-tts
```
然后调用 Python API 或 CLI 就能生成语音。支持 Python 3.10 到 3.14，依赖 PyTorch 2.5+，但不需要 CUDA 版本。
对于有开发背景的人，这意味着可以在树莓派、老旧笔记本、甚至云函数里跑 TTS，不需要租 GPU 实例。
对于普通用户，这意味着你可以在自己的电脑上免费生成语音，克隆自己的声音，或者用预设的 6 种语言读文本。隐私数据不出本地。
Kyutai Labs 是法国非营利 AI 实验室，之前发布过 Moshi 语音模型。这次 Pocket TTS 延续了他们的风格：不追热点，不搞噱头，直接扔一个能用的东西。
仓库地址在推文回复里，自己去翻。
发布时间: 2026-07-07 03:36