想给视频配个音、给文章做个朗读版，以往要么交在线配音的订阅费，要么找个大模型却发现显卡带不动。KittenTTS 走的是另一条路：轻量版只有 1500 万到 8000 万参数，CPU 就能跑，Linux、Windows、Mac 都支持。
这个项目在 GitHub 上有 1.6 万 star，仓库去年 8 月才建，代码用 Apache 2.0 开源。想要效果更好，可以上旗舰的 Kitten-TTS 2：1.7B 参数的 1 比特模型，内置 47 种声音、支持 20 种语言，给它一段 5 到 30 秒的录音，不用微调就能克隆音色，还能用标签控制情绪和强调——这部分还在 Beta。
围着它做的周边也不少：Rust 重写版 313 star，带 Web 界面的自托管服务 281 star，还有安卓上的离线朗读 App 把它收了进去。
两点提醒：模型权重用的是单独的社区许可，商用前先看清条款；克隆声音也请只用自己或已授权的录音。
正文完