TTS引擎怎么选:TinyTTS与Piper、Kokoro、Pocket-TTS横评基准测试
TTS引擎怎么选:TinyTTS与Piper、Kokoro、Pocket-TTS横评基准测试
本文对 4 款热门轻量级 TTS 引擎——TinyTTS、Piper、Kokoro、Pocket-TTS 进行同机实测横评。TinyTTS 仅 1.6M 参数、ONNX 模型约 3.4 MB,在 CPU 上即可达到约 53 倍实时合成速度;文章附完整基准测试数据、各引擎优劣点评和选型建议,帮助新手快速挑对语音合成方案。
30秒结论:哪个TTS引擎最适合你
- 🏆 要极致轻量 + 速度快 → TinyTTS(1.6M 参数 / 3.4 MB,CPU 约 53× 实时)
- 🎙️ 要多音色、多语言的日常朗读 → Piper(音色库丰富,生态成熟)
- 🎧 更在意音色自然度、可接受较慢 → Kokoro(82M 参数,音质取向)
- 🤖 想要"大模型"音色但想本地跑 → Pocket-TTS(100M 参数,延迟明显更高)
TinyTTS 是什么:1.6M 参数的轻量级 TTS 引擎
TinyTTS 是一个端到端(end-to-end)英语文本转语音模型,无需独立的声码器,直接把文本变成 44.1 kHz 的音频波形:
| 指标 | TinyTTS | 常规 TTS 模型 |
|---|---|---|
| 参数量 | ~1.6M | 50M–200M+ |
| 模型体积 | ~3.4 MB(ONNX FP16) | 200 MB–1 GB+ |
| 采样率 | 44.1 kHz | 22.05–44.1 kHz |
| 部署 | 纯 CPU 可跑 | 通常需要 GPU |
它同时提供 Python(pip install tiny-tts)和 Node.js(npm install tiny-tts)两种安装方式,Node 版零 Python 依赖、基于 ONNX Runtime 离线推理。核心代码结构可以参考:
- 推理入口:tiny_tts/infer.py、tiny_tts/infer_onnx.py
- 模型定义:tiny_tts/models/synthesizer.py
- 英语 G2P 文本归一化管线:tiny_tts/text/english.py
- 预训练权重:checkpoints/G.pth、ONNX 分模块文件位于 onnx/
- Node.js 版源码:npm-package/
TTS 基准测试方法:如何公平对比合成速度
对比数据来自仓库自带的基准测试脚本 benchmark.py,协议如下:
- 🖥️ 同一台机器:Intel Core 笔记本、纯 CPU、无 GPU
- 📝 同一句文本:"The weather is nice today, and I feel very relaxed."
- ⏱️ 5 次预热 + 20 次计时,取中位数,排除模型加载时间
关键指标说明:
- TTFA(Time To First Audio):首音延迟,衡量"按下按钮到出声"的响应速度
- RTFx:音频时长 ÷ 合成耗时,数值越大越快(53× 表示 0.1 秒合成 5 秒音频)
实测数据:TTS 引擎性能对比表
| 引擎 | 参数量 | TTFA (ms) | 总耗时 (s) | 音频时长 (s) | RTFx |
|---|---|---|---|---|---|
| TinyTTS (ONNX) | 1.6M | 86 | 0.092 | 4.88 | ~53× 🚀 |
| Piper (ONNX, 22kHz) | ~63M | 114 | 0.112 | 2.91 | ~26× |
| TinyTTS (PyTorch) | 1.6M | 295 | 0.272 | 4.88 | ~18× |
| Supertonic (2-step) | ~82M | 260 | 0.249 | 3.69 | ~15× |
| Pocket-TTS | 100M | 1055 | 0.928 | 3.68 | ~4× |
| Kokoro (ONNX) | 82M | 943 | 0.933 | 3.16 | ~3× |
⚠️ 注意采样率差异:Piper 为 22 kHz,Kokoro 为 24 kHz,TinyTTS 为 44.1 kHz(更高采样率 = 更好的声音还原上限)。
几个值得关注的点:
- TinyTTS ONNX 以 1.6M 参数取得全场最佳"速度/体积比":0.092 秒合成 4.88 秒音频,比 Piper 还快、体积却只有其几十分之一
- TinyTTS 用 PyTorch 跑也有 18× 实时,比 100M 参数的 Pocket-TTS 还快
- Kokoro 与 Pocket-TTS 的 TTFA 接近 1 秒,对"边说边显示"的流式场景不太友好
每个引擎的合成效果都有试听样本,见 samples/ 目录(如 samples/tinytts.wav、samples/kokoro.wav),仓库还提供了一段长文本合成演示视频 assets/paragraph.mp4。
逐个点评:四大 TTS 引擎各有什么特点
TinyTTS:边缘设备与嵌入场景的首选
3.4 MB 的 ONNX 模型可以直接塞进嵌入式系统、浏览器端(Node.js + ONNX Runtime)或没有 GPU 的服务器。支持说话人切换(MALE / FEMALE)和语速调节(0.3–3.0)。缺点是目前仅支持英语,音色数量也较少。
Piper:轻量老牌,生态成熟
Piper 是 CPU 部署领域的经典选择,音色(voice)种类多、社区资源丰富。本测试中它以 ~63M 参数、114 ms 首音延迟取得 26× 实时,表现均衡,但输出采样率 22 kHz,声音细腻度不及 44.1 kHz 的 TinyTTS。
Kokoro:音质取向的折中之选
Kokoro(82M 参数)音色自然度广受好评,多语言支持也是亮点。但在纯 CPU 基准中它表现垫底:943 ms 首音延迟、约 3× 实时,适合"离线批量生成、不赶时间"的场景。
Pocket-TTS:大模型音色,本地部署偏重
100M 参数的 Pocket-TTS 能带来更"人声化"的听感,但 1055 ms 的首音延迟和约 4× 的实时倍率,使其不适合低延迟交互场景。
TTS 引擎选型建议:按需求对号入座
| 你的需求 | 推荐引擎 | 理由 |
|---|---|---|
| 嵌入式 / 边缘设备、体积敏感 | TinyTTS | 3.4 MB,纯 CPU 53× 实时 |
| 无 GPU 服务器的低延迟实时合成 | TinyTTS 或 Piper | TTFA 都在 120 ms 内 |
| 多音色、多语言朗读工具 | Piper | 音色库与社区生态最丰富 |
| 离线批量生成、追求音色质感 | Kokoro / Pocket-TTS | 参数更多,听感更自然 |
| Node.js 项目、不想装 Python | TinyTTS (npm) | 纯 JS + ONNX Runtime 离线推理 |
一键复现 TTS 基准测试
仓库内置了两个可直接运行的测试脚本:
python benchmark.py—— TinyTTS vs Piper vs Kokoro vs KittenTTS vs Pocket-TTS vs Supertonic 的 CPU 横评python benchmark_onnx.py—— 对比 TinyTTS 自身 PyTorch 与 ONNX Runtime 后端的加速比(ONNX 通常快约 3 倍)
如果你要自行部署,安装步骤很简单:
pip install tiny-tts
from tiny_tts import TinyTTS
tts = TinyTTS()
tts.speak("Hello, this is a test of the Python API.", output_path="hello.wav")
总结
TTS 引擎怎么选,本质上是在 体积、速度、音质、语言覆盖 四个维度上做取舍:
- 追求"小而快",TinyTTS 是目前的性价比之王:1.6M 参数做到 44.1 kHz、53× 实时,且 Python / Node.js 双端开箱即用
- 追求音色质感且部署环境不紧张,Kokoro、Pocket-TTS 值得一听
- 追求生态与多音色,Piper 依然是稳妥的默认选项
项目整体采用 Apache License 2.0 授权(见 LICENSE),可放心用于商业与个人项目。
