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、支持中英文的文本转语音服务，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）
多种音色：20+ 种英文音色、8 种中文音色
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？

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

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
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
├── models/              # 模型文件目录
│   ├── kokoro-v1_0.pth  # Kokoro 主模型
│   └── voices/          # 音色文件
└── 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 - 基础文本转语音
/dialogue - 双音色对话合成
/dialogue/timestamps - 带时间戳的对话合成
/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

英文示例：

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

中文示例：

curl -X POST http://localhost:18765/tts \
  -H "Content-Type: application/json" \
  -d '{"text": "你好世界", "voice": "zf_xiaoxiao", "lang_code": "z", "format": "mp3"}' \
  -o output.mp3

2. 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。Machine Learning 技术发展迅速。",
    "voice": "zf_xiaoxiao",
    "lang_code": "z",
    "format": "mp3"
  }' \
  -o output.mp3

3. 时间戳分段

适合生成字幕：

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",
    "return_timestamps": true
  }'

{
  "segments": [
    {"index": 0, "text": "第一句话。", "startTime": 0, "endTime": 3675},
    {"index": 1, "text": "第二句话。", "startTime": 3675, "endTime": 7275}
  ]
}

4. 双音色对话

支持 [A] [B] 标记实现对话效果：

curl -X POST http://localhost:18765/dialogue \
  -H "Content-Type: application/json" \
  -d '{
    "text": "[A] 你今天过得怎么样？ [B] 我今天过得很开心！",
    "voice_a": "zf_xiaoxiao",
    "voice_b": "zm_yunxi",
    "lang_code": "z"
  }' \
  -o dialogue.mp3

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

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

有声读物：将电子书转换为有声书
视频配音：为短视频、课件生成配音
智能客服：语音交互系统
辅助阅读：帮助视障人士阅读文字
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。

参考资源

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。