玩转 25MB 模型，NAS 上部署 KittenTTS：轻量文本转语音服务器

Kitten TTS Server：

一个高性能、轻量级的文本转语音（TTS）服务器项目，基于 KittenTTS 模型构建，提供了增强的 API 服务、Web 界面和 GPU 加速功能。

核心特点：

• 轻量级模型：基于仅 1500 万参数的 KittenTTS 模型，文件大小不到 25MB

• GPU 加速：通过优化的 ONNX Runtime 管道支持 NVIDIA GPU 加速，采用 I/O 绑定技术减少延迟

• 大文本处理：支持长文本自动分割为可管理的片段，适合生成有声书

• 双 API 系统：提供 /tts 主端点和兼容 OpenAI 的 /v1/audio/speech 端点

• 现代 Web UI：直观的用户界面，支持语音选择、参数调整和实时波形可视化

• 内置 8 种语音：包含 4 种男性和 4 种女性语音

• 跨平台支持：可在 Windows、Linux 运行，支持树莓派 5（性能优异）和树莓派 4（测试中）

• Docker 支持：提供 CPU 和 GPU 版本的容器化部署配置

安装

Docker Compose

services: kitten-tts: image: onehandcoding/kitten-tts-cpu:latest container_name: kitten-tts ports: - 8050:8005 volumes: - ./logs:/app/logs - ./outputs:/app/outputs - ./configs:/app/configs restart: unless-stopped

参数说明（更多参数建议去看文档）

/app/logs：保存服务器日志

/app/outputs：保存生成的音频文件

/app/configs：挂载配置目录

使用

浏览器中输入 http://NAS的IP:8050 就能看到界面

TIP：

点击生成有可能提示“TTS engine model is not currently loaded or available.”。这应该是个 BUG，因为启动的时候会访问外网模型，检查是否需要更新，如果网络不行的话就会有问题。

整体界面比较简洁直观，右上角可以切换为浅色模式

操作界面没有中文，需要的话可以网页翻译

下面有示例预设，可以选择生成语音看看效果

生成音频大概用时 26s 左右，速度比较一般

处理器占用率瞬间可以吃满，内存占用也是比较多的

示例预设生成的音频，效果还是比较明显的，能听出语气停顿和情感在里面

除了使用预设，也可以自由调整，内置 8 种语音

需要注意语言目前只有英文，如果输入中文内容是无法合成的（别问我怎么知道的）

服务器配置默认就行，根据需要可以修改输出格式

支持兼容 OpenAI 格式调用

扩展

对构建镜像感兴趣的用户可以看看，提供 CPU 和 GPU 版本的容器化部署配置

https://github.com/devnen/Kitten-TTS-Server

如果需要构建，可以参考下面步骤操作

cd /mnt/user/appdata git clone https://github.com/devnen/Kitten-TTS-Server.git cd Kitten-TTS-Server # 使用指定 CPU 配置 docker compose -f docker-compose-cpu.yml up -d --build # 使用默认 GPU 配置 docker compose up -d --build

总结

该项目特别适合需要离线、高性能 TTS 服务的场景，尤其是资源受限的边缘设备（如树莓派），有需要的用户可以试试，如果支持中文对于国内用户才比较实用。

原本我是想构建镜像打包的，但是实在是试了好几次都不成功，需要下载安装东西太多了，还要一直保持良好网络。后来发现了有其他人打包好的，所以就没继续折腾打包了。这个打包的镜像有一个最大问题就是会检查版本，如果不成功就会有问题，加载不了原来模型，本来就是离线使用这点有点说不过去了。

综合推荐：⭐⭐⭐（消耗性能高，担心较弱设备表现）

使用体验：⭐⭐⭐（不支持中文，可调节参数少）

部署难易：⭐⭐（简单）︎

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～