Kitten-TTS-Server：一个可自行部署的轻量级文本转语音服务

Kitten-TTS-Server 是一个开源项目，它为轻量级的 KittenTTS 模型提供了一个功能增强的服务器。用户可以通过这个项目自己搭建一个文本转语音（TTS）服务。这个项目的核心优势在于它在原始模型的基础上，增加了一个直观的网页用户界面（Web UI）、用于制作有声读物的长文本处理功能，以及显著提升性能的 GPU 加速能力。该服务器的底层模型非常小，只有不到25MB，但能生成听起来很真实自然的人声。项目通过提供一个功能齐全的服务器，简化了模型的安装和运行过程，让不具备专业知识背景的用户也能轻松使用。服务器内置了8种预设的语音（4种男性，4种女性），并且支持通过 Docker 进行部署，大大降低了配置和维护的复杂性。

功能列表

• 轻量级模型：核心采用 KittenTTS ONNX 模型，体积小于 25MB，资源占用少。
• GPU 加速：通过优化的 onnxruntime-gpu 管道和 I/O 绑定技术，全面支持 NVIDIA (CUDA) 加速，显著提升语音生成速度。
• 长文本与有声书生成：能够自动处理长篇文本，通过智能断句、分块处理再无缝拼接音频的方式，非常适合用来生成完整的有声读物。
• 现代化网页界面：提供一个直观的 Web UI，用户可以直接在浏览器中输入文本、选择语音、调整语速，并能实时看到生成音频的波形图。
• 内置多种语音：集成了 KittenTTS 模型自带的8种语音（4男4女），可以直接在界面上选择。
• 双 API 接口：提供一个功能完整的 /tts 接口和一个兼容 OpenAI TTS API 结构的 /v1/audio/speech 接口，方便集成到现有工作流中。
• 配置简单：所有设置都通过一个单一的 config.yaml 文件进行管理。
• 状态记忆：网页界面能够记住上次使用的文本、语音和相关设置，简化操作流程。
• Docker 支持：提供为 CPU 和 GPU 环境预设好的 Docker Compose 文件，实现一键式容器化部署。

使用帮助

Kitten-TTS-Server 项目提供了清晰的安装和使用流程，确保用户可以顺利地在自己的硬件上把它运行起来。

系统环境准备

在安装之前，你需要准备好以下环境：

1. 操作系统: Windows 10/11 (64位) 或 Linux (推荐 Debian/Ubuntu)。
2. Python: 3.10 或更高版本。
3. Git: 用于从 GitHub 克隆项目代码。
4. eSpeak NG: 这是一个必需的依赖项，用于文本音素化。
   • Windows: 从 eSpeak NG 的发布页面下载并安装 espeak-ng-X.XX-x64.msi。安装后需要重启命令行终端。
   • Linux: 在终端运行命令 sudo apt install espeak-ng。
5. (GPU 加速可选):
   • 一块支持 CUDA 的 NVIDIA 显卡。
   • (仅 Linux): 需要安装 libsndfile1 和 ffmpeg。可以通过命令 sudo apt install libsndfile1 ffmpeg 来安装。

安装步骤

整个安装过程被设计为“一键式”，根据你的硬件选择不同的安装路径。

第一步：克隆代码仓库
打开你的终端（在 Windows 上是 PowerShell，在 Linux 上是 Bash），然后运行以下命令：

git clone https://github.com/devnen/Kitten-TTS-Server.git
cd Kitten-TTS-Server

第二步：创建并激活 Python 虚拟环境
为了避免与其他项目的依赖库产生冲突，强烈建议创建一个独立的虚拟环境。

• Windows (PowerShell):

  python -m venv venv
  .\venv\Scripts\activate
  

• Linux (Bash):

  python3 -m venv venv
  source venv/bin/activate
  

激活成功后，你的命令行提示符前面会出现 (venv) 字样。

第三步：安装 Python 依赖库
根据你的电脑是否配有 NVIDIA 显卡，选择下面其中一种方式进行安装。

• 选项一：仅使用 CPU 安装（最简单）
  这种方式适用于所有电脑。

  pip install --upgrade pip
  pip install -r requirements.txt
  

• 选项二：使用 NVIDIA GPU 安装（性能更强）
  这种方式会安装所有必要的 CUDA 库，让程序在显卡上运行。

  pip install --upgrade pip
  # 安装支持GPU的ONNX Runtime
  pip install onnxruntime-gpu
  # 安装支持CUDA的PyTorch，它会一并安装onnxruntime-gpu所需的驱动文件
  pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu121
  # 安装其余的依赖
  pip install -r requirements-nvidia.txt
  

  安装完成后，可以运行以下命令验证 PyTorch 是否能正确识别到你的显卡：

  python -c "import torch; print(f'CUDA available: {torch.cuda.is_available()}')"
  

  如果输出结果为 CUDA available: True，说明 GPU 环境配置成功。

运行服务器

注意：第一次启动服务器时，它会自动从 Hugging Face 下载约 25MB 大小的 KittenTTS 模型文件。这个过程只需要一次，后续启动会非常快。

1. 确保你已经激活了虚拟环境（命令行前面有 (venv)）。
2. 在终端里运行服务器：

   python server.py
   

3. 服务器启动后，会自动在你的默认浏览器中打开网页操作界面。
   • 网页界面地址: http://localhost:8005
   • API 文档地址: http://localhost:8005/docs

要停止服务器，只需在运行服务器的终端窗口中按下 CTRL+C。

Docker 安装方式

如果你熟悉 Docker，可以使用 Docker Compose 来进行部署，这种方式更简单，并且可以更好地管理应用。

1. 环境准备:
   • 安装 Docker 和 Docker Compose。
   • (GPU 用户) 安装 NVIDIA Container Toolkit。
2. 克隆代码仓库 (如果之前没做过):

   git clone https://github.com/devnen/Kitten-TTS-Server.git
   cd Kitten-TTS-Server
   

3. 启动容器 (根据你的硬件选择命令):
   • NVIDIA GPU 用户:

     docker compose up -d --build
     

   • 仅 CPU 用户:

     docker compose -f docker-compose-cpu.yml up -d --build
     

4. 访问和管理:
   • 网页界面: http://localhost:8005
   • 查看日志: docker compose logs -f
   • 停止容器: docker compose down

功能操作

• 生成普通语音:
  1. 启动服务器并打开 http://localhost:8005。
  2. 在文本框中输入你想要转换的文字。
  3. 从下拉菜单中选择一个喜欢的声音。
  4. 可以拖动滑块调整语速。
  5. 点击“Generate Speech”按钮，音频会自动播放，并提供下载链接。
• 生成有声书:
  1. 将整本书或一个章节的纯文本内容复制出来。
  2. 粘贴到网页的文本框中。
  3. 确保“Split text into chunks”（将文本拆分为块）选项是勾选状态。
  4. 为了让停顿更自然，建议设置一个 300 到 500 字符之间的分块大小（Chunk Size）。
  5. 点击“Generate Speech”按钮，服务器会自动把长文本切片、生成语音，最后拼接成一个完整的音频文件供你下载。

应用场景

1. 制作有声书
   对于喜欢听书的用户或者内容创作者，可以利用这个工具将电子书、长篇文章或网络小说转换成有声读物。其长文本处理功能可以自动完成切分和拼接，生成完整的音频文件。
2. 个人语音助手
   开发者可以将其 API 集成到自己的应用程序中，为应用添加语音播报功能，例如朗读新闻、天气预报或通知信息。
3. 视频内容配音
   自媒体创作者在制作视频时，可以用它来生成旁白或解说。相比真人录音，它的效率更高，成本更低，而且可以随时修改文案并重新生成配音。
4. 学习辅助工具
   语言学习者可以输入单词或句子，生成标准发音用于跟读模仿。也可以将学习资料转换成音频，在通勤或运动时收听。

QA

1. 这个项目和直接使用 KittenTTS 模型有什么不同？
   这个项目是基于 KittenTTS 模型的一个“服务化”封装。它解决了直接使用模型时环境配置复杂、缺少用户界面、无法处理长文本以及不支持 GPU 加速等问题。Kitten-TTS-Server 提供了一个开箱即用的网页界面和 API 服务，让普通用户也能轻松使用。
2. 安装时遇到 eSpeak 相关的错误怎么办？
   这是最常见的问题。请确保你已经为你的操作系统正确安装了 eSpeak NG，并且在安装后重启了命令行终端。如果问题依旧，请检查 eSpeak NG 是否被安装到了系统的标准路径下。
3. 如何确认 GPU 加速是否生效？
   首先，确保你按照 NVIDIA GPU 的方式安装了所有依赖。然后，可以运行 python -c "import torch; print(torch.cuda.is_available())" 命令，如果返回 True，说明环境配置正确。当服务器运行时，你也可以通过任务管理器或 nvidia-smi 命令查看 GPU 的使用情况。
4. 服务器启动时提示“端口已被占用”怎么办？
   这说明你电脑上已经有其他程序占用了 8005 端口。你可以修改项目根目录下的 config.yaml 文件，将 server.port 的值改成另一个未被占用的端口号（例如 8006），然后重启服务器。