免费 TTS 方案：国内基于 Docker 部署 Kokoro

本文首发地址 https://h89.cn/archives/528.html
项目方案地址 https://gitee.com/chenjim/tts-hexgrad-kokoro
一款开源、高质量、支持多语言的文本转语音服务，完全免费，可本地部署。

前言

在 AI 语音合成领域，商业 API（如 Azure、AWS Polly）虽然效果出色，但成本较高。而开源方案中，Kokoro-82M 以其轻量级（仅 8200 万参数）和高质量脱颖而出，成为个人开发者和中小企业的理想选择。

本文将详细介绍如何在国内网络环境下，使用 Docker 快速部署 Kokoro TTS 服务。

---

Kokoro 简介

Kokoro-82M 是由 hexgrad 开发的开源 TTS 模型，具有以下特点：

• 轻量高效：8200 万参数，推理速度快
• 音质优秀：媲美大型商业模型
• 多语言支持：英文（美式/英式）、中文（普通话）、西班牙语、法语、印地语、意大利语、日语、葡萄牙语
• 多种音色：50+ 种音色，涵盖多种语言和性别
• 中英混合：支持在中文文本中插入英文单词
• 时间戳支持：可返回每句话的时间戳，适合字幕生成
• 完全免费：Apache 许可证，可商用

---

部署方案

方案对比

方案	优点	缺点
Docker 本地部署（本文）	完全免费、数据隐私、可离线使用	需要本地算力
HuggingFace API	无需部署、即开即用	需要网络、有调用限制
商业 API	稳定性高、效果有保障	按量付费、成本较高

为什么选择 Docker 部署？

1. 完全免费：无 API 调用费用
2. 数据隐私：文本和音频都在本地处理
3. 可离线使用：部署后无需网络连接
4. 易于扩展：可集成到现有系统中

跟 EmotiVoice、Piper 的对比

如果你也在看开源 TTS，Kokoro、网易 EmotiVoice、Piper 这三类方案的定位其实不太一样：

方案	主要特点	部署门槛	中文能力	适合场景
Kokoro	轻量、音质好、支持中英混合，本文方案已补好国内镜像和 Docker 部署	低，CPU 即可跑通	中文可用，适合通用配音	本地服务、内容朗读、项目集成
网易 EmotiVoice	中英双语、2000+ 音色、支持情感提示控制，提供 Web 界面和 OpenAI 兼容 API	较高，官方 Docker 体验依赖 NVidia GPU	中文表现强，情感表达更丰富	有声书、角色配音、情绪化语音生成
Piper（OHF-Voice/piper1-gpl）	本地优先、启动快、提供 CLI/HTTP/Python/C++ API，语言覆盖广	低，CPU 友好	有中文音色，但效果更依赖具体 voice	边缘设备、离线播报、Home Assistant 一类场景

简单说：

• 如果你想要部署省心、接口直接、中文和英文都能用，Kokoro 是比较均衡的一档。
• 如果你更看重情感控制、音色数量、角色化表达，EmotiVoice 更有优势，但整体环境更重。
• 如果你更看重轻量、本地、跨平台嵌入，Piper 会更合适，尤其适合做系统播报或设备侧 TTS。
• 如果涉及商用，除了效果，也要看许可证：Kokoro 模型是 Apache 2.0、本文项目代码是 MIT；EmotiVoice 是 Apache-2.0；Piper 仓库是 GPL-3.0，而且不同音色模型还要单独确认授权。

安卓、iOS 上能不能直接离线用？

有，但两边成熟度不一样。

• 安卓：有现成可用的离线免费方案。比较实用的是基于 Sherpa-ONNX 的 TTS 引擎，可以走 Piper 一类轻量模型路线；另外 RHVoice 也能直接装成系统 TTS，不过更偏无障碍朗读，中文并不是它的强项。
• iOS：也能离线用，但不像安卓那样方便装一个“系统级第三方 TTS 引擎”。更现实的做法通常有两种：一是直接用 iPhone 自带语音朗读；二是在 App 内集成离线引擎。
• 如果你是普通用户：安卓优先看 SherpaTTS 这类现成方案；iPhone 直接用系统自带朗读，门槛最低。
• 如果你是开发者：想同时覆盖安卓和 iOS，Sherpa-ONNX 这条路线更实用，它本身支持 Android、iOS 离线运行，也能接 Kokoro、Piper 这类模型。
• 如果你问 EmotiVoice 能不能直接上手机离线跑：不算它的强项。它更适合桌面端或服务端，移动端“开箱即用”程度不如 Piper / Sherpa-ONNX 这类方案。

---

快速部署

环境要求

• Docker 和 Docker Compose
• 约 2GB 磁盘空间（模型文件）
• 4GB+ 内存（推荐 8GB）

一键部署

# 1. 克隆项目
git clone https://gitee.com/chenjim/tts-hexgrad-kokoro.git
cd tts-hexgrad-kokoro

# 2. 运行自动部署脚本
./setup.sh

脚本会自动完成：

• 下载 Kokoro-82M 主模型（313MB）
• 下载配置文件和音色文件
• 下载 spaCy 英文模型（13MB）
• 构建 Docker 镜像
• 启动服务并进行健康检查

国内镜像加速

针对国内网络环境，本项目已内置镜像加速：

• Docker 镜像：使用 docker.1ms.run 镜像源
• apt 源：阿里云 Debian 镜像
• pip 源：阿里云 PyPI 镜像
• 模型下载：使用 hf-mirror.com 镜像站

无需额外配置，开箱即用。

项目结构

.
├── setup.sh              # 自动部署脚本
├── Dockerfile            # Docker 镜像定义
├── docker-compose.yml    # Docker Compose 配置
├── main.py              # FastAPI 服务主程序
├── test.py              # Python 测试脚本
├── README.md            # 项目文档
├── models/              # 模型文件目录
│   ├── kokoro-v1_0.pth  # Kokoro 主模型
│   └── voices/          # 音色文件（50+ 种）
└── tmp/                 # 临时文件目录

核心特性：基于 FastAPI 框架提供 RESTful API 接口，支持：

• /tts - 文本转语音（支持分句分段）
• /voices - 获取可用音色列表
• /health - 健康检查

---

功能演示

1. 基础文本转语音

调用 API（返回 JSON）：

curl -X POST http://localhost:18765/tts \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello world", "voice": "af_heart", "format": "mp3"}'

保存音频文件：

curl -s -X POST http://localhost:18765/tts \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello world", "voice": "af_heart", "format": "mp3"}' \
  | python3 -c "import sys,json,base64; d=json.load(sys.stdin); open('output.mp3','wb').write(base64.b64decode(d['segments'][0]['audio_base64']))"

2. 中文语音

curl -X POST http://localhost:18765/tts \
  -H "Content-Type: application/json" \
  -d '{"text": "你好世界", "voice": "zf_xiaoxiao", "lang_code": "z"}'

3. 中英混合

curl -X POST http://localhost:18765/tts \
  -H "Content-Type: application/json" \
  -d '{"text": "人工智能 AI 正在改变世界", "voice": "zf_xiaoxiao", "lang_code": "z"}'

4. 时间戳分段

适合生成字幕，设置 split_sentence: true：

curl -X POST http://localhost:18765/tts \
  -H "Content-Type: application/json" \
  -d '{"text": "第一句话。第二句话。", "voice": "zf_xiaoxiao", "lang_code": "z", "split_sentence": true}'

返回格式：

{
  "duration_ms": 7275,
  "format": "mp3",
  "voice": "zf_xiaoxiao",
  "segments": [
    {"text": "第一句话。", "startTime": 0, "endTime": 3675, "audio_base64": "..."},
    {"text": "第二句话。", "startTime": 3675, "endTime": 7275, "audio_base64": "..."}
  ]
}

---

性能测试

基于 Intel CPU（无 GPU）的测试结果：

语言	文本长度	音频时长	生成时间	文件大小
英文	85 词	27.3 秒	9.2 秒	546 KB
中文	100 字	21.9 秒	8.3 秒	438 KB

结论：CPU 即可流畅运行，无需 GPU。

---

可用音色

中文音色（推荐 xiaoxiao）

女声：

• zf_xiaoxiao - 小晓（推荐，自然流畅）
• zf_xiaoni - 小妮
• zf_xiaobei - 小贝
• zf_xiaoyi - 小怡

男声：

• zm_yunxi - 云溪
• zm_yunyang - 云扬
• zm_yunjian - 云健
• zm_yunxia - 云霞

英文音色（美式）

女声（推荐 af_heart）：

• af_heart - Heart（A 级，情感丰富）
• af_bella - Bella（A- 级，稳定性好）
• af_nicole - Nicole（B- 级，适合长文本）

男声：

• am_michael - Michael（C+ 级，男声最佳）
• am_fenrir - Fenrir（C+ 级）
• am_puck - Puck（C+ 级）

---

应用场景

1. 有声读物：将电子书转换为有声书
2. 视频配音：为短视频、课件生成配音
3. 智能客服：语音交互系统
4. 辅助阅读：帮助视障人士阅读文字
5. 语言学习：发音练习、听力训练

---

总结

Kokoro-82M 是一款性价比极高的开源 TTS 方案，特别适合：

• 预算有限的个人开发者
• 注重数据隐私的企业
• 需要离线部署的场景
• 对多语言支持有需求的用户
• 对中英文混合支持有需求的用户

通过 Docker 部署，你可以快速搭建一个免费的、高质量的语音合成服务，完全掌控自己的数据。

---

请求参数

参数	类型	默认值	说明
text	string	必填	要转换的文本
voice	string	af_heart	音色名称
speed	float	1.0	语速（0.5-2.0）
lang_code	string	a	语言代码
format	string	mp3	输出格式（mp3/wav）
split_sentence	boolean	false	是否分句分段

语言代码

• a - 美式英语 (American English)
• b - 英式英语 (British English)
• z - 普通话 (Mandarin Chinese)
• e - 西班牙语 (Spanish)
• f - 法语 (French)
• h - 印地语 (Hindi)
• i - 意大利语 (Italian)
• j - 日语 (Japanese)
• p - 葡萄牙语 (Portuguese)

---

技术栈

• TTS 模型：Kokoro-82M (hexgrad)
• Web 框架：FastAPI + Uvicorn
• 音频处理：soundfile + ffmpeg
• 文本处理：misaki (G2P), spaCy (英文), pypinyin (中文)
• 容器化：Docker + Docker Compose

---

故障排查

服务无响应

# 查看容器日志
docker logs tts-hexgrad-kokoro-kokoro-1

# 检查容器状态
docker ps | grep kokoro

# 重启服务
docker-compose restart

中文语音失败

确保已安装中文依赖：

docker exec tts-hexgrad-kokoro-kokoro-1 pip list | grep -E "pypinyin|jieba|ordered-set"

模型下载问题

setup.sh 已内置国内镜像加速，默认使用 hf-mirror.com 和阿里云 apt/pip 源。

检查文件：

# 主模型应为 313MB
ls -lh models/kokoro-v1_0.pth

# 查看已下载的音色
ls -lh models/voices/

---

开发说明

修改代码

由于 main.py 是通过 volume 挂载的，修改后只需重启容器：

docker-compose restart kokoro

重新构建镜像

docker-compose build --no-cache kokoro
docker-compose up -d

---

许可证

• Kokoro 模型：Apache 2.0 License，参见 hexgrad/Kokoro-82M
• 本项目代码：MIT License

---

参考资源

• Kokoro-82M 官方仓库
• Kokoro GitHub
• Misaki G2P
• 网易有道 EmotiVoice
• OHF-Voice Piper
• Sherpa-ONNX
• RHVoice
• Apple Speech Synthesis

---

本文基于 Kokoro-82M v1.0 版本撰写，部署方案已针对国内网络环境优化。