指南

Kitten TTS 替代方案：在普通 CPU 上运行的 Supertonic 3

KittenML 的 Kitten TTS 是以 Apache 2.0 发布的热门开源语音合成项目。它有两个系列：可在 CPU 上运行、1500 万到 8000 万参数、8 个声音的小型 ONNX 模型；以及 17 亿参数的 1 比特模型 Kitten-TTS 2，拥有 115 个声音、可用 5 到 30 秒音频克隆声音、情感标签和 20 种语言（包括中文）。

SuperClonica 在普通处理器上运行约 9900 万参数的开源模型 Supertonic 3，支持 31 种语言。本指南如实比较两者；我们没有测试 Kitten TTS，因此不给出它的速度或质量数据，只列出其仓库中的事实。注意：SuperClonica 引擎不支持中文朗读，中文请选择 Kitten-TTS 2。

浏览声音 安装 SuperClonica 引擎

Kitten TTS 的强项

Kitten-TTS 2 无需微调即可用一小段音频克隆声音，用标签控制表现力，还能说 Supertonic 3 不支持的中文、斯瓦希里语和希伯来语。nano 模型只有 1500 万参数，int8 版本 25 MB，足以放进性能很弱的设备。KittenML 还提供免费的 Kitten-TTS 2 API。

各自的硬件需求

根据其 README，Kitten-TTS 2 需要约 8 GB 可用显存的 CUDA GPU，或约 6 GB 内存的 CPU，以及约 2 GB 磁盘。Supertonic 3 约 9900 万参数；我们估计 SuperClonica 引擎在桌面 8 核 CPU 上比实时快 6.4 到 9.7 倍。用 python -m pip install superclonica-cpu 安装，运行 superclonica --text "Hello" --voice F1 --lang en --output hello.mp3。

语言和声音

Supertonic 3 支持 31 种语言，包括波兰语、捷克语、乌克兰语、越南语和印尼语（不含中文），每个声音都能说所有语言。SuperClonica 目录另有约 190 个声音，从旁白、播音员到游戏和动漫角色，每个都是一次购买的小文件；十个标准声音免费且可商用。任意声音页面都能免费试听 30 到 100 个字符的台词。

如何选择

需要用短音频克隆声音、情感标签、中文或最小的模型，选 Kitten TTS。需要 31 种语言的轻量 CPU 模型、现成的角色声音、在工作室训练的声音，以及每天 3 分钟免费的语音 API，选 SuperClonica。