有声内容项目做到第三个月，配音账单开始扎眼。每轮脚本修改都要重新合成，商用 API 按字符计费，改一个词往往也要为整段音频付款。项目还没上线，配音成本先烧掉一批。于是想到本地 TTS：不联网、不按量付费、音频文件不出机器。但心里没底，本地跑的模型，效果到底能不能用？
Pocket TTS 是 Kyutai Labs 开源的一个选项。1 亿参数，官方把它定位成「能装进 CPU 的 TTS」，不需要 GPU，不需要注册账号，装上就能用。原作者的实测数据（MacBook Air M4）：生成速度达到实时音频的 6 倍，合成 10 秒音频不到 2 秒；首字节延迟约 200 毫秒，可以边生成边播放；CPU 占用大约 2 个核心，同时做别的事基本不受影响。这个速度的意义在于，批量生成不再是「提交任务然后等」，而是「改完立刻听到结果」。
安装和用法都直接。项目在 GitHub 上可以找到：https://github.com/kyutai-labs/pocket-tts 。pip 装完就能用：
pip install pocket-tts
生成一句话，指定音色：
pocket-tts generate --text "Hello world" --voice alba
每种语言内置多组预置音色，alba 只是其中一个。不想敲命令的话，可以起本地服务：
pocket-tts serve
# 打开 http://localhost:8000
浏览器里有一个交互界面，适合先试听不同音色，找到合适的再批量生成。服务全程跑在本地，不向任何服务器发数据。
声音克隆也可以。准备一段 5 秒左右的音频，提取特征，之后就能用这个音色生成：
pocket-tts export-voice ./my-voice.wav
pocket-tts generate --voice ./my-voice.wav "111222"
但要提醒自己，克隆的上限由样本决定。5 秒能捕捉到的只是音色的基础特征，如果样本里有噪声、混响或者情绪波动，提取出来的特征可能不稳定。同一段声音在不同文本上是否保持一致性，官方没有保证，需要拿自己的素材实测。项目里若真要依赖克隆，先小批量跑几段，听听是否统一，再决定要不要全量用。
真正要想清楚的是，这个方案解决什么问题。
拿它做开发阶段的快速验证，很舒服。文案高频变动时，不用等 API 返回，也不用盯着账单跳数字，本地几秒钟出一版，试错成本趋近于零。拿它做批量生成也划算，支持超长文本输入，速度快，适合一次性把大量历史文本转成语音，前提是最终用途不苛求顶级音质。隐私敏感的场景同样合适——文本不上传，声音特征全在本地。
但如果是中文内容，这套方案目前不可用。Pocket TTS 支持 6 种语言：英语、法语、德语、葡萄牙语、意大利语、西班牙语，没有中文。这不是「效果打折扣」，而是根本不能生成中文语音。面向中文用户的项目，本地 TTS 暂时没有可选项。
音质层面，和 ElevenLabs、Azure 这类商用服务相比，Pocket TTS 在韵律自然度、情感表达、长句稳定性上还有明显差距。商用模型经过了大规模数据训练和产品级调优，目标是接近真人录音；本地小模型的诉求是「能听」，不是「以假乱真」。如果你的内容靠音色质感建立辨识度，比如品牌有声书、精品播客，本地方案目前达不到这个标准，该用 API 还是用 API。
这样看，选择不是「免费还是付费」，而是「多花的钱换来的提升，在自己的项目里值不值」。商用 API 省心，音质有保证，代价是每次合成都在产生费用，还得依赖网络。本地 TTS 省下的是真金白银，换取的是要接受音质上限、语言范围、克隆稳定性这三个不确定因素。
需要说明的是，上述性能数据只覆盖 macOS（MacBook Air M4）。Linux 和 Windows 上的运行表现需自行安装测试，CPU 占用、生成速度在不同硬件上会有差异，也可能有其他坑，先跑个基准再纳入决策。
还有一个容易忽略的点：Pocket TTS 的 6 种语言相互独立，不支持中英混读或跨语言切换。多语言内容要拆分处理，每个语言段落分别指定音色，这也会增加一部分处理成本，评估时得算进去。
有声内容的制作链路上，配音只是一环。本地 TTS 省下的钱，可能转移到人工校对和音频后处理上。至于后处理要花多少时间，取决于你对自己内容的质量底线有多高。商用 API 的账单要到什么程度才值得换方案，没有标准答案，但可以成为一个判断基准：当配音费用高到影响项目整体的成本结构，或者网络依赖和隐私约束开始拖后腿，本地 TTS 就值得认真对比；反之，账单还在承受范围内，为音质和稳定买单未必是坏事。
这个决定，最终得拿着自己的脚本和素材，本地跑一遍才能定。