OddTTS：加入Kokoro语音合成支持，完全纯本地CPU跑语音合成

一、前言

前两天针对轻量级TTS引擎Kokoro做了一些测试（ https://mp.weixin.qq.com/s/xKBLfAkfImwHrjYIml0KuA ），测试下来发现效果居然挺好的，而且自带8种音色的支持，纯CPU跑，速度还快，测完了我就停不下来了，当时就想把它整合到我的OddTTS项目，今天周末终于有空，于是就简单搞了一下，现在已经在我的小落同学上用上了。

二、主要更新

先看效果

正常语速wav格式: https://www.oddmeta.net/wp-content/uploads/2026/03/OddTTS-kokoro-正常速度wav格式.wav

正常语速mp3格式: https://www.oddmeta.net/wp-content/uploads/2026/03/OddTTS-kokoro-正常速度mp3格式.mp3

3倍语速mp3格式: https://www.oddmeta.net/wp-content/uploads/2026/03/OddTTS-kokoro-3倍速mp3格式.mp3

更新内容

demo前端从gradio改成flask（降低依赖）
BaseTTS接口调整
MP3、WAV格式转换
Kokoro 中文引擎支持。

三、如何使用

1. 安装

bash 复制代码

pip install -i https://pypi.org/simple/ oddtts

2. 启动

默认的参数启动：绑定127.0.0.1环回地址，默认使用9001端口。

bash 复制代码

oddtts

启动后，浏览器打开地址：http://127.0.0.1:9001

自定义参数启动

若要允许其他IP访问，请使用以下命令启动服务，将host设置为0.0.0.0，端口也可以改成你自定义的端口。

bash 复制代码

oddtts --host 0.0.0.0 --port 8080

启动后，浏览器打开地址：http://your_ip_addr:8080

3. API调用示例

以下是一个OddTTS的API调用的示例，建议用OpenAI 兼容接口

复制代码

from openai import OpenAI

base_url = "http://localhost:9001/v1"
model = "oddtts-1"
api_key = "dummy"
voice = "zf_xiaobei"

text = "欢迎关注我的公众号: 奥德元。一起学习AI，一起追赶时代！Good good study, day day up!"

def test_openai_tts_api(voice_id):
    client = OpenAI(
        api_key=api_key,
        base_url=base_url
    )

    response = client.audio.speech.create(
        model=model,
        input=text,
        voice=voice_id,
        response_format="mp3"
    )
    response.write_to_file("output.mp3")

if __name__ == "__main__":
    test_openai_tts_api(voice)

四、注意事项

模型下载问题

Kokoro的模型放在huggingface.co上，在国内访问存在问题，解决方案：

Windows

set HF_ENDPOINT=https://hf-mirror.com

set HF_HOME=F:/ai_share/models

Linux/MacOS

export HF_ENDPOINT=https://hf-mirror.com

export HF_HOME=/opt/ai_share/models

输出wav正常，输出MP3报错

OddTTS的依赖里有加了ffmpeg，但是如果你机器上原先就有安装过ffmpeg有可能会报错，若是报错了，请再手动安装一下ffmpeg即可。

服务启动失败

检查端口是否被占用
确认所有依赖包已正确安装
查看日志文件获取详细错误信息

语音合成失败

检查TTS引擎配置是否正确
确认选择的语音存在于当前TTS引擎中
对于某些需要联网的引擎，确认网络连接正常（如: EdgeTTS）

如何切换TTS引擎

修改 oddtts_config.py 文件中的 tts_type 配置项
重启服务使配置生效

输出格式

默认输出格式为mp3
可以通过 response_format 参数指定其他格式，如wav、mp3等

环境要求

Python 3.12+（低版本也能用，但是建议用3.12+)
至少 2GB 可用磁盘空间（模型350M，再加python依赖，语音合成临时文件）
推荐 4GB+ 内存