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 - 4770K4.7 秒Apple M2 Pro4.5 秒AMD Ryzen 7 8745HS1.5 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