VoiceStudio — PocketTTS 引擎¶

PocketTTS（kyutai-labs/pocket-tts，100M 参数）是 CPU 渲染最快的选择：体积小、延迟低、仅使用 CPU，并可从参考音频片段进行零样本语音克隆。它覆盖六种语言——英语、法语、德语、葡萄牙语、意大利语、西班牙语——每种语言对应一个模型，在 Apple M3 Pro 上速度约为实时速度的 8–9 倍。

它是对高质量引擎的补充：在那些引擎回退到 CPU 运行的场景中，PocketTTS 正是为此而生。纯 CPU 是有意为之——上游发现该模型在 GPU 上并无加速。

何时选择它¶

• 需要快速渲染且语音克隆的纯 CPU 机器。
• 在六种语言之一中，对延迟敏感的使用场景（听写式、短句）。

安装¶

1. 安装可选依赖项：

uv sync --extra pockettts

或者点击 Model Catalogue → PocketTTS 中的 Install。这会安装相同的固定版本包到 VoiceStudio 数据目录下该引擎自己的 Python 环境中，并附带 PyTorch 的 CPU 版本，因为 PocketTTS 从不使用 GPU。它安装的内容不会影响 VoiceStudio 本身或任何其他引擎；同一行中的 Uninstall 仅删除该文件夹。通过 uv sync 完成的安装保持原样工作。Intel Mac 上不提供此按钮（参见平台说明）。

1. 在应用内接受许可证（#1306）。代码采用 MIT 许可证，权重采用 CC-BY-4.0，但权重在 HuggingFace 上受门控，需要接受一份包含可接受使用条款的访问协议。VoiceStudio 会在首次使用前提示这一点：在 Model Catalogue → PocketTTS 中查看并接受之前，该引擎将保持不可用状态。你还需要 HuggingFace 对该受限仓库的访问权限（token 设置见 downloading-models.md）。

2. 通过 Model Catalogue（TTS 标签页 → Use）或 OMNIVOICE_TTS_BACKEND=pockettts 选择该引擎。

平台说明¶

• 可在 Linux、Windows、macOS Apple Silicon 上运行——处处仅使用 CPU。
• 不适用于 Intel Mac：所需的 PyTorch 版本没有 macOS x86_64 wheel。该引擎会直接明确报告此情况，而不是在安装中途失败。

行为说明¶

• 输出为 24 kHz 单声道。
• 支持六种语言，每种语言一个模型，由你请求的 language 决定；克隆需要一段简短的参考音频片段。
• 在崩溃隔离的 sidecar 进程中运行：一键安装后从自己的环境运行，否则从 VoiceStudio 的环境运行（uv sync --extra pockettts 会将其安装在那里）。卡死的生成任务会被看门狗强制终止并回收其内存——这是进程内引擎无法做到的。
• 首次使用会下载受门控的权重；下载期间 sidecar 会通过心跳上报进度，这样看门狗不会触发。
• 法语始终使用 24 层检查点渲染（french_24l）——pocket-tts 未提供 6 层法语模型——因此法语的渲染速度是 24 层的数值（约为本页开头所述速度的一半，仍快于实时），而不是 6 层的数值。

已知限制¶

• 无音色设计、无情感控制（参见 expressive-speech.md）。
• 仅六种语言——如需更广覆盖，请使用 OmniVoice（languages.md）。
• 撤销许可证接受会立即生效，无需重启——后续生成将被拒绝。

故障排除¶

• “pocket_tts package not installed”：运行上面的 uv sync。
• “license not accepted”：打开 Model Catalogue → PocketTTS 并查看/接受。
• 慢速连接下超时：为首次（下载量大的）运行调高 OMNIVOICE_POCKETTTS_RECV_TIMEOUT_S。
• 其他问题：install/troubleshooting.md。

另请参阅：benchmarks.md、performance.md、磁盘占用。