我给 Home Assistant 找本地语音通知方案时，绕了一圈又回到 Kyutai。之前用过他们的 Moshi，好听但吃显卡；这次发布的 Pocket TTS 反着来——100M 参数，纯 CPU 跑，MacBook Air M4 上 6 倍实时。我在 16GB 小主机上试了下，结论是：英文场景可以用了，中文再等等。
为什么选它
本地 TTS 我折腾过好几条路线：Kokoro-82M 快但音色固定，GPT-SoVITS 克隆强但配置重，云端 API 省心却按字扣费。Pocket TTS 的卖点很直接：
- 100M 参数，模型小到能塞进浏览器 WASM；
- 不需要 GPU，PyTorch CPU 版就行；
- 零样本声音克隆，5 秒参考音频就够了；
- 流式输出，首包延迟约 200ms。
这定位不是追 SOTA 音质，而是把”能用”的语音合成搬到边缘设备上。对我来说，NAS 或笔记本能跑、不依赖外网、不泄露文本内容，优先级比 99% 像真人更高。
安装比想象中轻
官方支持 Python 3.10 到 3.14，我用 uv 装：
uv pip install pocket-tts
pocket-tts generate --text "Hello from a local model." --voice alba第一次会下载模型和默认音色，之后就能离线跑。没有 CUDA 依赖，不需要改任何环境变量，这点比大多数 TTS 仓库省心。
生成一段 10 秒左右的英文，在我的机器上耗时不到 2 秒。官方数据是 MacBook Air M4 上约 6 倍实时、只吃 2 个 CPU 核心，实测基本吻合。
声音克隆是亮点
Pocket TTS 的克隆不是微调，而是把参考音频编码成一个”声音状态”（voice state），后续推理直接复用。流程大概这样：
pocket-tts export-voice --audio my_voice.wav --output my_voice.safetensors
pocket-tts generate --text "This sounds like me." --voice my_voice.safetensors导出的 safetensors 文件很小，加载毫秒级。我试了 5 秒自己的录音，相似度谈不上以假乱真，但语调节奏已经能对得上。样本质量影响很大：底噪多或混响重的音频，克隆出来也会带着那股”脏”味。
本地 API 模式
除了 CLI，它还带一个 serve 命令，把模型常驻内存，暴露一个接近 OpenAI 格式的 HTTP 端点：
pocket-tts serve --host 0.0.0.0 --port 8000这样 Home Assistant、Node-RED 或者其他脚本都能直接 POST 文本过来取音频。不需要自己写模型加载和缓存逻辑，对小规模部署很友好。
几个实实在在的坑
别光看宣传，实际问题我列一下：
- 没有中文。 目前只支持英、法、德、西、葡、意六种语言。中文、日文、韩文都还没排上，想用来看中文通知的直接劝退。
- GPU 不加速。 因为它按 batch_size=1 流式生成，官方测试在 Apple Silicon 上 GPU 没优势；CUDA 上也只有约 2.6 倍提升。别为了它专门开显卡。
- int8 量化仅限 CPU。 想在 CUDA 上跑量化会直接报错，这点文档里写得不显眼。
- 不能插停顿。 文本里没法通过标点或特殊标记控制 silence 长度，长句一口气念完，做播客还得后期切。
- 音色授权有讲究。 代码是 MIT，但预置音色的授权每张 voice card 单独写，商用前先核对。
我的判断
Pocket TTS 不是那种”替代 ElevenLabs”的方案，但它在”本地、低资源、可克隆”这个三角里找到了舒服的位置。英文通知、有声读物、游戏配音、IoT 语音反馈，这些场景它都能胜任。中文支持出来之前，我会先把它接进英文自动化流程里。
如果你也在找一条不花钱、不上云的 TTS 链路，可以先加进候选名单。