本地玩 TTS 这事我折腾过 Kokoro、ChatTTS，每次想塞进小设备都被各种限制劝退——要么必须 Python + PyTorch 全套，要么得跑个 Web 服务。直到看到 Neuphonic 出的 NeuTTS，第一反应是：这不就是把 LLM 那套 GGUF 思路搬到语音上了？
NeuTTS 是英国团队 Neuphonic 开源的端侧 TTS 模型集合，最小的 Nano 只有 1.2 亿参数，最大的 Air 也才 5.5 亿，全部走 GGUF 量化格式。手机、笔记本、树莓派都能跑，3 秒音频就能克隆一个新说话人。我在 GitHub 翻了一圈，仓库 6.2k star，2026 年 7 月 22 号还有新提交，活着的项目。
GGUF 这个思路，搬到 TTS 上是真的对
之前跑 LLM 我用的是 Qwen3.5 的 35B-A3B 量化版，靠的就是 llama.cpp 那一套 GGUF 生态。GGUF 的好处是模型和推理框架解耦——同一份文件，手机、Mac、Linux、GPU 服务器理论上都能跑，只是速度不同。TTS 一直没人这么干，是因为大家觉得语音模型架构特殊（codec、流式），GGUF 那套框架不通用。
NeuTTS 算是把这事撬开了。它的结构很简洁：一个 LM backbone（Qwen 0.5B 改造）+ 一个 NeuCodec（50Hz 神经音频编解码器，码本只有一个），LM 输出 token，codec 把 token 翻成波形。LM 部分走 GGUF 量化，codec 部分可以选择 PyTorch 或 ONNX 解码器。两种可选，加起来需要装的东西其实不多。
三档模型，按需选
NeuTTS 一共三个尺寸，定位差别挺大：
- NeuTTS-Air（~552M）：英文旗舰，Apache 2.0 协议，支持 3 秒克隆，最像「通用 TTS」的感觉。
- NeuTTS-Nano（~229M）：多语言版本，覆盖英、法、德、西四种语言，同样支持克隆，协议是 NeuTTS Open License 1.0（商用要看过）。
- NeuTTS-2E（~236M）：情感版，固定 4 个说话人（emily / paul / sophie / steven），支持 7 种情绪（angry / disgusted / fearful / happy / neutral / sad / surprised）。要情感选它，但这个版本不能克隆自己的声音。
我自己的用法是 Air + Nano 切着用。Air 出英文播客、Nano 出多语言演示。装了 Q4 量化的 GGUF 版，两个加起来不到 500MB 硬盘。
基准测试看着挺舒服
官方在 README 里给的 Q4 量化基准，我整理成下面这张图：
几个值得看的点：
- 三星 Galaxy A25 这种入门手机，纯 CPU 跑 Air 还能有 20 tok/s，Nano 接近 45 tok/s。生成一句话大概几秒，能用。
- Apple Silicon 的加速是真的强——iMac M4 16GB 跑 Air 拿到 111 tok/s，Nano 195 tok/s。我那台 Mac mini M4 同款芯片，没意外也能到这个数。
- RTX 4090 上 Air 16,194 tok/s——这是纯 GPU 推理的极限，但实际用不上，你不会在 4090 上实时合成一句话。
Mac 用户注意，安装 llama-cpp-python 时要带上 CMAKE_ARGS="-DGGML_BLAS=ON -DGGML_BLAS_VENDOR=Apple"，把 Apple Accelerate 框架打开，不然会默认走 Metal 或纯 CPU 跑，比图里数字慢一截。
3 秒克隆，这事有点离谱
克隆用法很简单，给一段参考 wav（3-15 秒，单声道，干净录音）+ 对应的文本，就能把说话人风格复刻出来。我录了一段自己的几秒测试，效果出乎意料——连我说话的停顿、轻微气口都被学到了，生成的英文虽然带点机器人味但保留了我的节奏感。
参考音频有点要求：单声道、16-44kHz、3-15 秒、wav 格式。达不到这些条件生成质量会掉。最坑的是「干净」这一条——我第一次拿个街头采访的片段试，背景有车流声，结果生成的声音里居然带上了隐约的「环境感」。换纯净录音就正常了。
2E 这个情感版，才是真有意思的
看到 NeuTTS-2E 的 Spaces 演示页我才意识到这事的真正价值：
选定一个说话人 + 一个情绪，文本直接出对应情感的语音。七个情绪基本覆盖了内容创作里能用到的：开心、惊讶、生气、悲伤、平静、恐惧、厌恶。对比起来，传统 TTS 想要「怒斥语气」基本靠堆 prompt 或者后期调音，这边直接选个下拉框。
代价是不能克隆自己的声音——只支持 4 个内置说话人（emily、paul、sophie、steven）。我猜下一版会打通这个限制。
我比较在意的两点
第一是语言。现在 NeuTTS 全系只支持英文、法、德、西四种，没有中文也没有日语。我试着用英文混中文（拼音）的方式塞进去，codec 部分直接报错——估计音素表里压根没收录。这是当前阶段最大的限制，对中文播客、有声书场景基本用不上，只能等官方或者社区出多语言扩展。
第二是水印。所有 NeuTTS 生成的音频默认嵌了 Perth（Perceptual Threshold）水印，肉耳听不出来，但能事后检测出来。这是负责任 AI 那一派的做法——生成的音频天生带「这是 AI 合成」的签名。我猜是为了对付语音诈骗滥用。我能接受，如果你只是个人玩玩完全没影响。
安装其实不复杂
整个流程跑下来就几条命令：
brew install espeak-ng（macOS）或sudo apt install espeak-ng（Linux）——依赖这玩意做音素化。pip install neutts[all]——装主包 + onnxruntime + llama-cpp-python，一键搞定。- 从 HuggingFace 下 GGUF 权重，
hf download neuphonic/neutts-air-q4-gguf。 - 写四五行 Python：
NeuTTS(backbone_repo=..., codec_repo=...)→encode_reference()→infer()→soundfile.write()。
我整个流程在 Mac 上 15 分钟内跑完，没什么坑。
和 Kokoro 怎么选
两个完全不冲突。Kokoro 的优势是中文支持好、社区大、有不少声音库，但模型走的是 PyTorch，要带 Python 环境。NeuTTS 强在端侧、量化、轻量、英文自然度。
我的搭配：Mac 上跑 Kokoro 做中文，Nas 上跑 NeuTTS-Air 的 GGUF 版做英文播报。两个加起来不到 1GB 硬盘，互不干扰。
如果哪天 NeuTTS 出中文版本了，Kokoro 我大概会退休掉——光凭 GGUF 能在小设备上跑这一点就赢太多了。
仓库在 github.com/neuphonic/neutts，模型在 HuggingFace 上同名。Spaces 上有 Air 和 2E 两个可以直接试的演示，上传段音频、敲几句话、按一下生成就能听效果。