KittenML/kitten-tts-2

1.7B 的语音语言模型：自带 115 个音色，也可用 5–30 秒单人录音克隆声音，支持情绪、叹气笑声等事件和重读标记，输出 24 kHz 音频。 上升分 73 · 点赞 180 · 下载量 50188 **理由** - 表达控制：句首 \[joyful\]、\[sad\] 等 10 种情绪标签，句中 \<laugh\>、\<sigh\> 等 10 种声音事件，(((词))) 表示重读；作者说明这是 Beta，只是引导语气而非保证。 - 16 种语言有命名音色，非英语靠选对应音色带出口音，如 SpanishAbuela、JapaneseTrainConductor；Bella、Jasper 等 8 个音色与 0.8 版相同，旧代码可沿用。 - 语言模型线性层是三值权重，默认 packed 版 954 MB 且与 bf16 版无损一致；另有 469 MB 的 emb4（嵌入层有损）和 39 MB 的 4 位解码器可选。 **用法** - pip install kittenml；KittenTTS("KittenML/kitten-tts-2").generate(文本, voice="Kiki") 用内置音色，或 reference="my\_voice.wav" 克隆。 - 非英语文本要传 normalize=False，否则英文文本规范化会弄乱数字和日期；用情绪标签时可加 preset="expressive"。 - 默认 CPU 即可运行，更快的 CPU 推理用作者的 llama.cpp 分支 kitten-tts-2-cpp（仓库 cpp/ 目录有 GGUF）。 **风险** - Stellon Labs 社区许可：年营收或累计融资超过 100 万美元后需另行取得商用许可，分发有署名要求。 - 只识别模型卡列出的 20 个标签，其他方括号内容会被直接读出来。 - 模型卡没有给出音质或克隆相似度的评测数字，克隆他人声音需自行确保授权。 [打开](https://huggingface.co/KittenML/kitten-tts-2)