不用GPU也能跑TTS？Pocket TTS让我家的树莓派开口说话了
搞智能家居的同学可能都有这个需求：让设备能"说话"。比如门铃响了播报访客信息、空气质量超标语音提醒、或者做个有声日历。之前试过几种TTS方案，要么需要GPU，要么延迟太高，要么音质拉胯。直到发现了Pocket TTS——纯CPU就能跑，100M参数，延迟低到200毫秒出第一段音频。
关键参数一览
- 模型大小——100M参数，比常见的TTS模型小一个量级
- 运行速度——MacBook Air M4上实测6倍实时速度，也就是说10秒的音频1.6秒就能生成
- 资源占用——只用2个CPU核心，树莓派4B也能跑
- 延迟——首包延迟约200ms，对话场景完全够用
- 支持语言——英语、法语、德语、葡萄牙语、意大利语、西班牙语（中文暂不支持，但模型开源，可以微调）
树莓派实测
我在树莓派4B（4GB版）上跑了一下。装好依赖后，生成一段10秒的英文语音大概需要8秒，基本接近实时。CPU温度会飙到65度左右，加个散热片就稳了。对于智能家居的语音播报场景来说，这个性能完全够用。
最爽的是支持流式输出——文本边喂边出音频，不用等全部生成完。做实时语音交互的话这个特性很关键。
跟Home Assistant集成
思路很简单：写个Python脚本监听MQTT消息，收到播报请求后调用Pocket TTS生成wav，再通过MPD或者直接推给HA的media_player播放。我搭了个简单pipeline，门铃按下的通知延迟大概1.5秒（网络传输+生成+播放），体验还不错。
另外它还支持语音克隆——录一段参考音频，就能用那个声音说话。我克隆了一个温柔的女声做家居播报，比默认的机械音自然多了。
安装踩坑
- 需要PyTorch 2.5+，但不需要GPU版本。树莓派上用CPU版就行，pip install torch --index-url ... 走CPU源
- Python 3.10-3.14都支持，树莓派默认的3.9不行，得先升级
- 首次加载模型会从HuggingFace下载，大概200MB，建议提前下好
- 浏览器里也能直接试用：kyutai.org/pocket-tts
值不值得上？
如果你的场景是英文TTS且对延迟敏感，Pocket TTS目前是我见过的最优解。纯CPU、低延迟、小体积，这几个特性组合在一起确实少见。中文支持目前没有，但模型是开源的，用中文数据集fine-tune一下应该可行。等中文版出来，这套方案在智能家居领域会更有竞争力。
文章评论