Agora Pocket TTS：100M 参数 CPU 运行文本转语音
TechFoco 精选
Agora Pocket TTS 是一款超轻量级文本转语音方案，仅 100M 参数，完全适配 CPU 运行。支持音频流式生成，首帧延迟低至 200ms，在 MacBook Air M4 上可达实时 6 倍速。具备语...
传统文本转语音（TTS）合成通常依赖 GPU 或云端 API，资源消耗大、延迟高，且需要稳定的网络连接，使用门槛较高。Agora Pocket TTS 提供了一种超轻量级的替代方案，仅 100M 参数，完全适配 CPU 运行，无需 GPU 即可实现低延迟的音频流式生成。
核心内容
Agora Pocket TTS 的核心优势在于其极低的资源需求和高效率。模型仅 100M 参数，在 MacBook Air M4 上使用 CPU 即可达到实时 6 倍速，且仅占用 2 个 CPU 核心。首帧延迟低至 200ms，支持音频流式生成，适合实时交互场景。
该方案支持语音克隆功能，用户可通过自定义 wav 样本快速适配目标语音。多语言支持涵盖英语、法语、德语、葡萄牙语、意大利语和西班牙语，并支持无限长文本输入，适合长篇朗读或 audiobook 制作。
在部署方式上，Agora Pocket TTS 提供 Python 库、命令行界面（CLI）和 HTTP 服务，可通过 pip 或 uv 一键安装。此外，它还支持浏览器 WebAssembly 运行，用户无需安装即可在线试用。
价值与影响
Agora Pocket TTS 降低了 TTS 技术的使用门槛，使开发者、内容创作者和 AI 应用能够在普通 CPU 设备上实现高效、低延迟的语音合成。其轻量级设计和多平台支持，为离线场景和资源受限环境提供了可行的解决方案，有望推动 TTS 技术更广泛的应用。