大家好，我是何三，独立开发者

说到TTS（文字转语音），很多人第一反应是调OpenAI的API，或者跑Python环境装一堆依赖。

但最近我发现了一个叫 kitten_tts_rs 的开源项目，用Rust重写了KittenTTS，把整个TTS能力塞进了一个不到10MB的二进制文件里，最小模型才25MB。

这是什么概念？你连Python都不用装，下载一个可执行文件就能跑。

对比图

这项目干了什么

kitten_tts_rs 是 second-state 团队做的，他们把原版Python的KittenTTS移植成了Rust实现。

原版KittenTTS本身就很轻量，模型参数从1500万到8000万不等。但Python版本的部署依然需要装onnxruntime、numpy、spacy这些依赖，整个虚拟环境加起来快500MB了。

Rust版本直接把这些全砍了。一个编译好的二进制文件，加上espeak-ng做音素转换，就能跑。

而且不只是CLI工具，它还内置了一个 OpenAI兼容的API服务，支持SSE流式传输。也就是说，你可以直接用它替换OpenAI的TTS接口。

模型有多大

四个模型可选，我直接拉一张图：

模型对比

说实话，25MB这个模型大小让我有点意外。现在动不动就是几个G的大模型，25MB连一张高清图片都比它大。

性能方面，在Mac M4 Pro上测试，nano-int8版本的RTF（Real-Time Factor）只有0.11，意味着生成1秒的音频只需要0.11秒，比实时快了9倍。

就算最大的80M参数mini模型，RTF也在0.26左右，依然比实时快4倍。

这对实时语音应用来说，相当够用了。

怎么用

安装

先装espeak-ng（这是唯一的系统依赖）：

# macOS
brew install espeak-ng

# Ubuntu/Debian
sudo apt-get install -y espeak-ng

然后从GitHub Releases下载对应的预编译二进制：

# Linux x86_64
curl -LO https://github.com/second-state/kitten_tts_rs/releases/latest/download/kitten-tts-x86_64-linux.tar.gz
tar xzf kitten-tts-x86_64-linux.tar.gz

# macOS Apple Silicon
curl -LO https://github.com/second-state/kitten_tts_rs/releases/latest/download/kitten-tts-aarch64-macos.tar.gz
tar xzf kitten-tts-aarch64-macos.tar.gz

下载模型

curl -LO https://github.com/second-state/kitten_tts_rs/releases/latest/download/kitten-tts-models.tar.gz
tar xzf kitten-tts-models.tar.gz

命令行生成语音

# 基本用法
./kitten-tts ./models/kitten-tts-mini 'Hello, world!' Bruno

# 指定音色、语速和输出文件
./kitten-tts ./models/kitten-tts-mini 'Hello, world!' --voice Luna --speed 1.2 --output hello.wav

# 查看可用音色
./kitten-tts ./models/kitten-tts-mini "" --list-voices

内置了8个音色：Bella、Jasper、Luna、Bruno、Rosie、Hugo、Kiki、Leo，男女各半。

启动API服务

这才是我觉得最有价值的部分：

./kitten-tts-server ./models/kitten-tts-mini --host 0.0.0.0 --port 8080

启动后就是一个标准的OpenAI兼容接口：

curl -X POST http://localhost:8080/v1/audio/speech \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "kitten-tts",
    "input": "Hello, world! This is KittenTTS running as an API server.",
    "voice": "alloy"
  }' \
  --output speech.mp3

注意这里的voice用的是OpenAI的名字（alloy、echo、fable等），项目内部自动映射到KittenTTS的音色。这意味你现有的代码如果调的是OpenAI的TTS接口，改个URL就能直接用。

支持mp3、opus、flac、wav、pcm多种输出格式，还能通过SSE做流式传输，适合实时语音对话场景。

工作原理

拆开看其实不复杂，整个流程分六步：

  1. 文本预处理 — 把数字"42"展开成"forty-two"，"$10.50"展开成"ten dollars and fifty cents"
  2. 音素转换 — 用espeak-ng把英文文本转成IPA音素
  3. Token编码 — 把音素映射成整数token ID
  4. 音色选择 — 从NPZ文件加载音色embedding
  5. ONNX推理 — 输入tokens、音色风格、语速参数，跑模型
  6. 音频编码 — 输出MP3/WAV/Opus等格式

核心推理用的是ONNX Runtime，不需要GPU，纯CPU跑就行。当然如果你想加速，也支持CUDA、TensorRT、CoreML等后端，通过Cargo feature flag开启。

不过作者也说了，对于这种小模型（15M-80M参数），CPU反而更快。他们在M4 Pro上测试，CoreML跑mini模型比CPU慢了1.7倍。原因很简单——模型太小，GPU调度的开销反而大于计算本身。

适合什么场景

我觉得这几个场景特别适合：

  • 边缘设备：树莓派、手机上跑TTS，25MB的模型完全没问题
  • AI Agent：作为Agent的语音输出能力，CLI工具非常方便调用
  • 私有化部署：不想把文本发给OpenAI，本地跑一个API服务就搞定
  • 实时对话：SSE流式传输，接EchoKit这类实时语音应用

最后说两句

独立开发者做产品，TTS是经常用到的能力。之前要么调云服务API（要花钱、有隐私问题），要么本地跑Python（部署麻烦）。

kitten_tts_rs这种"一个二进制+一个小模型"的方案，刚好卡在了一个很舒服的位置：够轻量、够快、部署够简单。

项目Apache-2.0协议，222个Star，地址放下面了：

GitHub：https://github.com/second-state/kitten_tts_rs

有兴趣的朋友可以star一下，或者直接跑起来试试。