近30天源站下载量
6.7万
参数
未知
上下文
未说明
架构 / 任务
text-to-speech
许可证
other
MODEL POSITIONING
这个模型解决什么问题？
kitten-tts-2 的模型能力包括将文本转换为 S3 codec token，再由声码器生成 24 kHz 音频；支持上下文声音克隆、多语言音色及有限的情绪、强调控制。当前资料列出 cpp/model-tq2_1.gguf，文件约 1.03 GB；模型卡另提供无损 packed、 lossy emb4 和 full bf16 权重。运行侧可使用 Ollama、llama.cpp、LM Studio，也提供 Python 3.10 以上、PyTorch 及专用 llama.cpp 分支。具体模型架构与上下文长度模型卡未说明。
更适合谁
- 需要在本地把文本转换为语音的用户
- 需要多语言预置音色或上下文声音克隆的用户
- 希望尝试情绪、强调等表达控制的用户
典型使用场景
- 本地旁白、播报和有声内容生成
- 多语言朗读与角色配音
- 基于参考音频的声音克隆
- 带情绪或强调标记的语音合成
SOURCE-BASED CAPABILITIES
模型卡透露的核心特点
文本转语音
将文本转换为 S3 codec token，再由声码器生成 24 kHz 音频
上下文声音克隆
可利用上下文参考声音复现说话者特征
多语言覆盖
提供 16 种语言音色，包括中文、英语、日语、韩语等
音色库
提供 115 个可用音色，其中部分兼容 KittenTTS 0.8 说话者
表达控制
支持有限情绪标签、声音事件和强调标记，但情绪控制仍为 Beta
按当前权重估算的硬件准备
- 现有 GGUF 文件中，最低显存估算约 1.5 GB
- 为上下文缓存、系统进程和并发请求预留额外内存，不要只按模型文件大小配置设备。
量化版本怎么选
- GGUF 用户可选择 cpp/model-tq2_1.gguf；官方给出的最低内存为 4 GB、最低显存为 1.5 GB
- packed 权重为 954 MB、1.58-bit 三元主体且保持无损，是默认选择
- emb4 权重为 469 MB，仅嵌入层有损；full 为 3469 MB 的 bf16 权重
- default 解码器为 459 MB；student_w4 为 39 MB，以保真度换取更小占用
GGUF VARIANTS
量化版本与硬件要求
显存与内存数值均按权重文件体积估算，未做设备实测。多模态还需要配套投影文件并额外占用内存；分卷容量按全部分卷合计，下载时需获取完整文件组。
| 量化 | 权重合计 | 估算加载显存 | 建议显存 | 建议内存 | 来源 |
|---|---|---|---|---|---|
| GGUF | 1.0 GB | 1.5 GB | 2.5 GB | 8 GB | 下载文件 ↗ |
HARDWARE MATCH
哪些显卡或设备更适合运行？
按当前最小量化文件估算，至少需要 1.5GB 显存；如果希望为运行框架和上下文保留余量，优先参考推荐显存 2.5GB。
阅读 4GB 显存选型指南 →可以怎样运行
- 可通过 Ollama、llama.cpp 和 LM Studio 运行
- Python 端需要 Python 3.10 或更高版本以及 PyTorch
- 可使用仓库提供的 kitten-tts-2-cpp llama.cpp 分支
采用前要知道的限制
- 情绪控制处于 Beta，实际效果会随音色和句子变化
- 仅识别 20 个指定标签，罕见情绪标签或普通方括号文本可能被直接朗读
- 文本规范化器针对英语；非英语文本建议设置 normalize=False，否则数字和日期可能被错误处理
- 权重采用 Stellon Labs Community License，达到规定营收或累计融资门槛后需另行取得许可，分发时还涉及署名要求