TTS引擎怎么选:TinyTTS与Piper、Kokoro、Pocket-TTS横评基准测试

原创2026-11-12 11:56:271,341 阅读

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。

TinyTTS轻量级TTS引擎:160万参数的英语语音合成模型

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:

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。

登录后查看全文
tiny-tts