想让电脑把一段文字念出来，往往要调用远程语音服务，或准备独立显卡。Kyutai 的 Pocket TTS 想把这件事变轻：它把 TTS（Text-to-Speech，即文字转语音）封装成可在 CPU 上运行的本地模型，安装后可通过命令行或 Python 调用。这样一来，离线工具和低成本应用也能在普通电脑上生成声音。
项目模型规模为 1 亿参数，并支持流式音频——整段语音还没生成完，就先把开头交给用户播放。项目方称，首个音频块约需 200 毫秒；在 MacBook Air M4 的两个 CPU 核心上，生成速度约为实时播放速度的 6 倍。它还支持英、法、德、葡、意、西六种语言，以及用 WAV 音频进行声音克隆。项目仍依赖 PyTorch 2.5 以上版本作为运行底座，但不要求 GPU 版本。上述速度来自项目方披露，材料未提供其他设备上的独立测试。