ez-tts 是一个本地文本转语音（TTS）工具，基于 Kyutai 的 Pocket TTS 实现。它在首次下载模型后完全离线运行，在 CPU 上约可达 10 倍实时速度，无需 GPU。
用途
该工具用于将文本转换为语音，适合需要本地、离线语音合成的场景。支持多语言输出，并可通过预设音色或克隆音色生成语音。
主要能力
- 多语言支持：英语、法语、德语、葡萄牙语、意大利语、西班牙语（pocket-tts 2.x）。
- 预设音色：英语提供 alba、marius、javert、jean、fantine、cosette、eponine、azelma、anna、vera、charles、paul、george、mary、jane、michael、eve、bill_boerst、peter_yearsley、stuart_bell、caro_davy 等；其他语言提供 giovanni（意大利语）、lola（西班牙语）、juergen（德语）、rafael（葡萄牙语）、estelle（法语）。
- 声音克隆：可从清晰的语音样本（WAV/OGG/MP3/FLAC）克隆任意声音。
- 输出格式：默认输出 WAV，可通过 --ogg 转换为 OGG（需要 ffmpeg）。
- 自定义音色：可将克隆音色放入技能的 voices/ 目录，并通过名称使用（例如 voices/myvoice.ogg 存在时使用 --voice myvoice）。
使用方式
通过命令行脚本调用，基本用法如下：
基础英语（输出到 /tmp/tts_output.wav）
uv run scripts/tts.py "Hello, this is a test"
指定预设音色
uv run scripts/tts.py "Hello world" --voice marius
其他语言（每种语言有默认音色）
uv run scripts/tts.py "Hola mundo" --language spanish uv run scripts/tts.py "Bonjour le monde" --language french uv run scripts/tts.py "Ciao mondo" --language italian --voice giovanni
自定义输出文件
uv run scripts/tts.py "Hello world" --out ~/my_audio.wav
输出为 OGG（用于语音消息，需要 ffmpeg）
uv run scripts/tts.py "Hello world" --ogg
从本地样本克隆声音（需要 HF_TOKEN 及对 kyutai/pocket-tts 的 HF 访问权限）
uv run scripts/tts.py "Hello world" --voice /path/to/sample.ogg
语言与默认音色
- english（默认）：同 english_2026-04，默认音色 alba
- english_2026-01 / english_2026-04：英语模型变体，默认音色 alba
- spanish / spanish_24l：_24l 表示更高质量、更慢，默认音色 lola
- german / german_24l：默认音色 juergen
- italian / italian_24l：默认音色 giovanni
- portuguese / portuguese_24l：默认音色 rafael
- french_24l：法语仅提供 24 层模型（french 别名可用），默认音色 estelle
选项
- --voice/-v：音色名称或用于克隆的音频路径（默认取决于 --language）
- --language/-l：模型语言（默认：english）
- --out/-o：输出文件路径（默认：/tmp/tts_output.wav）
- --ogg：将输出转换为 OGG（需要 ffmpeg）
- --quiet/-q：抑制进度消息
环境变量
- HF_TOKEN：用于模型下载 / 声音克隆的 Hugging Face 令牌
声音克隆要求
- 在 https://huggingface.co/kyutai/pocket-tts 接受条款
- 设置 HF_TOKEN 环境变量
- 音频样本应为清晰语音（WAV/OGG/MP3/FLAC）
- 预设目录音色无需克隆权重；文件路径克隆需要完整模型
适用场景
适合需要本地、离线、CPU 可运行的文本转语音任务，例如生成语音消息、多语言语音内容、使用预设或克隆音色进行语音合成。
限制
- 首次使用需要下载模型，之后可离线运行。
- 声音克隆需要 Hugging Face 令牌及对 kyutai/pocket-tts 的访问权限。
- OGG 输出需要 ffmpeg。
- 法语仅提供 24 层模型。
- 其他未在资料中提及的功能、收费、价格、平台或效果暂未提供。