VoiceStudio — KittenTTS 引擎¶

KittenTTS（KittenML）是轻量级英语“flash”层级：一个 25–80 MB 的 ONNX 模型，带有 8 个预设声音，可在任何 CPU 上实时运行——无需 torch、无需 CUDA、无需任何 GPU。当你只需要快速英文旁白（配音、演示朗读、短句）且没有参考样本时，请使用它。

何时选择它¶

• 仅限英文的内容，且速度和极小安装比声音克隆更重要。
• 没有可用 GPU 的机器。

与 OmniVoice 相比的取舍：不支持声音克隆，仅限英文——但安装更快、体积更小。

安装¶

pip install kittentts

然后通过 Model Catalogue（TTS 标签页 → Use）或 OMNIVOICE_TTS_BACKEND=kittentts 选择该引擎。

声音¶

八个预设声音，四对男/女声：

expr-voice-2-m  expr-voice-2-f   (default: expr-voice-2-f)
expr-voice-3-m  expr-voice-3-f
expr-voice-4-m  expr-voice-4-f
expr-voice-5-m  expr-voice-5-f

未知的声音 ID 会记录一条信息日志并回退到默认声音。

模型选择¶

约 80 MB 的模型会在首次使用时从 HuggingFace 下载（网络连接不稳定时重试一次）。参见 downloading-models.md。

行为说明¶

• 输出为 24 kHz 单声道。
• 设计上仅支持 CPU——ONNX 图没有 CUDA/MPS 路径。
• 非英语的 language 值会被忽略，并记录一条指向 OmniVoice 的日志；参考音频同样会被忽略（不支持克隆）。
• 长输入加固（#1173）： 随附的 ONNX 图有硬性的 512 token 上限，而音素化可能会大幅扩展文本（尤其是数字）。VoiceStudio 会使用模型自带的 tokenizer 预先测量每个块，并在单词边界处拆分过大的块，因此长输入或数字密集型输入不再会在 onnxruntime 内部以不透明的“invalid expand shape”错误中止。

已知限制¶

• 仅限英语；不支持克隆、不支持声音设计、不支持情绪控制（参见 expressive-speech.md）。
• 仅提供预设声音——速度是唯一的调节项。

故障排除¶

• 引擎不可用：在 VoiceStudio 的 Python 环境中执行 pip install kittentts，然后重启。
• 模型加载失败并报 EspeakDataError：espeak-ng（KittenTTS 背后的音素化器）无法打开其数据文件夹，通常是因为安装路径过长或包含非 ASCII 字符。VoiceStudio 已经会尝试使用 %PROGRAMDATA%（Windows）、~/.cache 或临时文件夹中的简短副本重试；如果这些位置都不可写，请将 OMNIVOICE_ESPEAK_DATA_CACHE 设置为一个简短、可写的 ASCII 文件夹（例如 C:\espeak），然后重启。旧版本在此处会以 Error processing file '…phontab' 退出整个后端。
• 其他问题：install/troubleshooting.md。

另请参阅：benchmarks.md、磁盘占用。