完美！KittenTTS 实战：我在树莓派上部署最小的开源语音合成小模型！

前言特别感谢文章作者：HonestQiao / 乔楚，辛苦制作了一整套详尽的教程，非常适合新人及树莓派爱好者学习使用！在文章底部，可以查看乔工树莓派CM0教程系列。

一款能跑在边缘设备上的轻量级语音合成模型，是无数开发者和硬件爱好者梦寐以求的。在 AI 浪潮中，我们见过太多”大模型”，却鲜少见到真正能落地的”小模型”。今天要介绍的 KittenTTS，正是这样一款专为端侧设计的开源语音合成方案——最小仅 15M 参数，25MB 即可存储，在树莓派上就能流畅运行。

项目地址：https://github.com/KittenML/KittenTTS

一、项目背景

KittenTTS 是由 KittenML 开源的超轻量级文本转语音（TTS）项目，定位是”嵌入式端侧 AI”。根据官方描述：

最小模型仅 15M 参数，int8 量化后仅 25MB

基于 ONNX 推理，无需 GPU，CPU 即可运行

支持 8 种音色（4 男 4 女）

然而，实际情况如何？本文带你在树莓派上实际部署测试，揭晓答案。

二、测试环境

2.1 硬件环境

注：测试通过 SSH 远程连接到 mpi5.ssh 主机进行。

2.2 软件环境

2.3 关于 Python 版本的重要说明

KittenTTS 依赖 misaki>=0.9.4，但该版本要求 Python < 3.13。当前系统自带 Python 3.13.5，无法直接满足。

解决方案：使用 Conda 管理多版本 Python（详见下文）。

三、详细部署步骤

3.1 前置准备

3.1.1 克隆项目代码

# 创建项目目录并克隆仓库mkdir -p ~/Projects/ttscd ~/Projects/ttsgit clone https://github.com/KittenML/KittenTTS.gitcd KittenTTS

3.1.2 安装系统依赖

KittenTTS 的语音合成后端依赖 eSpeak NG：

# Debian/Ubuntu 系统安装 espeak-ngsudo apt-get updatesudo apt-get install -y espeak-ng

3.2 Python 环境配置

3.2.1 问题背景

由于系统 Python 版本（3.13）与依赖要求（< 3.13）不匹配，需要通过 Conda 灵活管理 Python 版本。

3.2.2 安装 Miniconda

# 下载最新 Miniconda (aarch64 版本)cd /tmpcurl -LO https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh# 安装到用户目录bash Miniconda3-latest-Linux-aarch64.sh -b -p ~/miniconda3# 激活 condasource ~/miniconda3/etc/profile.d/conda.sh

3.2.3 创建 Python 3.11 环境

# 接受服务条款（首次使用需要）conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/mainconda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r# 创建 Python 3.11 环境（相比 3.12 兼容性更好）conda create -n tts python=3.11 -y# 激活环境conda activate tts# 确认 Python 版本python --version# 输出应显示: Python 3.11.x

3.3 安装 Python 依赖

# 设置代理（如果需要）export HTTP_PROXY=http://127.0.0.1:8080export HTTPS_PROXY=http://127.0.0.1:8080# 安装依赖pip install -r requirements.txt

完整依赖清单（requirements.txt 内容）：

num2wordsspacyespeakng_loadermisaki[en]>=0.9.4onnxruntimesoundfilenumpyhuggingface_hub

安装过程大约需要 3-5 分钟，取决于网络状况。安装成功的标志是看到 Successfully installed 提示。

3.4 配置 Hugging Face 加速下载（可选）

Hugging Face Hub 默认源在国外，下载模型较慢：

# 配置使用镜像站（阿里云）export HF_ENDPOINT=https://hf-mirror.com# 或在 Python 代码中指定# from huggingface_hub import hf_hub_download# hf_hub_download(..., local_files_only=False)

四、快速体验

4.1 运行官方示例

# 设置代理export HTTP_PROXY=http://127.0.0.1:8080export HTTPS_PROXY=http://127.0.0.1:8080# 运行示例代码cd ~/Projects/tts/KittenTTSpython example.py

首次运行会从 Hugging Face 下载模型（约 15-80MB），根据网络情况可能需要几分钟。

4.2 示例代码说明

example.py 内容：

from kittentts import KittenTTS# 加载模型（默认 mini 版本，80M 参数）m = KittenTTS("KittenML/kitten-tts-mini-0.8")# 生成语音text = "One day, a little girl named Lily found a needle in her room."audio = m.generate(text=text, voice="Bruno")# 保存为 WAV 文件import soundfile as sfsf.write("output.wav", audio, 24000)

参数说明：

五、基准测试

5.1 测试方案

测试文本（来自 TinyStories 数据集）：

One day, a little girl named Lily found a needle in her room.She knew it was difficult to play with it because it was sharp.

测试流程：

1. 加载模型（冷启动）

2. Warmup 一次（避免首次 JIT 开销）

3. 连续 3 次生成测试文本，记录每次耗时

5.2 测试代码

from kittentts import KittenTTSimport timemodels = [    ('kitten-tts-mini-0.8', 'mini (80M)'),    ('kitten-tts-micro-0.8', 'micro (40M)'),    ('kitten-tts-nano-0.8', 'nano (15M FP32)'),    ('KittenML/kitten-tts-nano-0.8-int8', 'nano (15M INT8)'),]text = "One day, a little girl named Lily found a needle in her room. She knew it was difficult to play with it because it was sharp."voice = "Bruno"results = []for model_id, model_name in models:    # 加载模型    start = time.time()    m = KittenTTS(model_id)    load_time = time.time() - start    # Warmup    m.generate(text="warmup", voice=voice)    # 3 次生成测试    gen_times = []    for i in range(3):        start = time.time()        m.generate(text=text, voice=voice)        gen_times.append(time.time() - start)    results.append((model_name, load_time, gen_times))    print(f"{model_name}: load={load_time:.2f}s, gen={sum(gen_times)/len(gen_times):.2f}s avg")

5.3 测试结果

5.4 结果分析

5.4.1 生成速度排名

nano FP32 (1.81s) > micro (5.91s) > nano INT8 (5.23s) > mini (10.63s)

nano FP32 是最快的，原因是：

1. 参数量最小（15M），计算量最少

2. FP32 在 ARM CPU 上有成熟的 SIMD 优化

5.4.2 INT8 为何更慢？

这是一个反直觉的发现：INT8 量化版本反而比 FP32 慢了约 2.9 倍。

原因分析：

结论：INT8 量化是针对 GPU/NPU/TensorRT 设计的，在纯 CPU 环境下反而不如 FP32 高效。

5.4.3 micro 为何加载最慢？

micro 模型加载时间（14.73s）显著高于其他模型，可能原因：

模型文件较大（40M），首次下载解析耗时

ONNX Runtime 对该模型的优化策略不同

5.5 音频质量对比

已生成各模型测试音频，文件位于项目目录：

建议实际试听对比：nano 模型生成速度快但音质相对较弱，mini 模型生成较慢但音质更好。

六、部署建议

6.1 模型选择建议

6.2 内存需求估算

6.3 关于”Arduino 能不能跑”

答案：不能。

KittenTTS 的”25MB 模型”指的是模型文件大小，运行还需要 ONNX Runtime（约 30MB）和运行时内存（约 100MB）。标准 Arduino/ESP32 的硬件资源完全无法满足。

七、常见问题

Q1: pip install 报错 “externally-managed-environment”

原因：PEP 668 保护，禁止在系统 Python 直接 pip install。

解决：使用虚拟环境（venv/conda）。

Q2: 模型下载失败或超时

解决：

# 设置代理export HTTP_PROXY=http://127.0.0.1:8080export HTTPS_PROXY=http://127.0.0.1:8080# 或使用镜像export HF_ENDPOINT=https://hf-mirror.com

Q3: 生成的音频有杂音

可能原因：

1. 模型首次加载不稳定 → 重试一次

2. 输入文本过长 → 自动分chunk处理

Q4: 如何指定中文？

当前版本不支持中文。KittenTTS 目前仅支持英语（en-us），多语言支持在路线图中。

八、总结

8.1 主要发现

1.✅ KittenTTS 可以在树莓派上正常运行，无需 GPU

2.✅ nano FP32 生成速度最快（1.8s），是最佳性价比选择

3.❌ INT8 在 CPU 上反而更慢，比 FP32 慢约 3 倍

4.❌ Arduino/ESP32 无法运行，内存差距太大

8.2 性能对比一览

8.3 下一步

尝试在不同语音（ Bella/Jasper/Luna 等）下的效果差异

测试不同文本长度对生成时间的影响

对比其他嵌入式设备（如 RK3588）的性能

附录：完整复现命令

# ===== 树莓派部署 KittenTTS 完整脚本 =====# 1. 安装 Minicondacd /tmpcurl -LO https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.shbash Miniconda3-latest-Linux-aarch64.sh -b -p ~/miniconda3# 2. 创建 Python 环境source ~/miniconda3/etc/profile.d/conda.shconda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/mainconda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/rconda create -n tts python=3.11 -yconda activate tts# 3. 安装 espeak-ngsudo apt-get update && sudo apt-get install -y espeak-ng# 4. 安装 Python 依赖export HTTP_PROXY=http://127.0.0.1:8080export HTTPS_PROXY=http://127.0.0.1:8080cd ~/Projects/tts/KittenTTSpip install -r requirements.txt# 5. 运行示例python example.py

测试时间：2026-03-21

测试设备：Raspberry Pi 5 (mpi5.ssh)

官方网站：https://edatec.cn/zh/cm0

淘宝店铺：https://edatec.taobao.com/