Ollama最佳TTS引擎(2026):为本地LLM添加语音输出

Ollama是否内置文本转语音功能?

如何把Ollama输出接入本地TTS引擎

• Ollama的API并不知道、也不关心它的文本输出之后会发生什么。 没有任何回调、Webhook或插件机制把Ollama和某个TTS引擎连接起来——只有你的代码才能把两者连接在一起。
• 流式模式("stream": true)通过在生成时逐步返回token来降低感知延迟, 让你能在模型完成完整回复之前就开始合成第一句话的音频——这对交互式语音助手很有用,但比上面的非流式示例实现起来更复杂。

1. 1
   启动Ollama并拉取一个模型
   Why it matters: 在能够通过REST API响应请求之前,Ollama必须已经在运行(`ollama serve`,或桌面应用),并且至少已拉取一个模型(`ollama pull llama3.1`)。
2. 2
   向Ollama的REST API发送提示
   Why it matters: 带上`"stream": false`向`http://localhost:11434/api/generate`发送POST请求,会返回一个包含完整回复的单一JSON对象,回复内容在`response`字段中——这是TTS流程中最容易解析的方式,不过流式模式也可用于缩短首个音频的响应时间。
3. 3
   提取文本并传给你的TTS引擎
   Why it matters: `response`字符串是纯文本——可通过标准输入直接传给TTS引擎的CLI(Piper),或传给其Python API(Kokoro、XTTS v2、Chatterbox、Bark或Coqui TTS工具包)。
4. 4
   播放或保存生成的音频
   Why it matters: 大多数TTS的CLI和API会直接写出一个`.wav`文件;若需要实时播放,可将原始音频传给`aplay`(Linux)之类的播放器,或使用Python音频库。

# 1. 向Ollama请求文本回复(为简化起见不使用流式传输)
RESPONSE=$(curl -s http://localhost:11434/api/generate -d '{
  "model": "llama3.1",
  "prompt": "Explain quantum entanglement in two sentences.",
  "stream": false
}' | python3 -c "import sys, json; print(json.load(sys.stdin)['response'])")

# 2. 把这段文本传给Piper的CLI来合成音频(资源成本最低的方案)
echo "$RESPONSE" | piper --model en_US-lessac-medium --output_file response.wav

# --- 等效的Python示例,用Kokoro替代Piper ---
import json
import requests
import soundfile as sf
from kokoro_onnx import Kokoro

reply = requests.post(
    "http://localhost:11434/api/generate",
    json={"model": "llama3.1", "prompt": "Explain quantum entanglement in two sentences.", "stream": False},
).json()["response"]

kokoro = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin")
samples, sample_rate = kokoro.create(reply, voice="af_heart")
sf.write("response.wav", samples, sample_rate)

哪款TTS引擎最适合搭配Ollama?

谁应该使用哪款引擎?

• 🏆 Ollama搭配的最佳总体选择:Piper ——资源成本最低,在CPU上即可实时运行,接入Shell脚本或Python子进程调用最为简单。
• 相近体量下更高音质的最佳选择:Kokoro ——依然小巧到无需GPU即可运行,根据其自身发布时的基准测试,感知语音质量明显优于Piper。
• 允许商业用途的语音克隆最佳选择:Chatterbox ——MIT许可证,可从约5秒参考音频克隆声音,实时使用时需要在Ollama之外配备GPU。
• 非商业或研究用途语音克隆的最佳选择:XTTS v2 ——可从6秒音频克隆声音,并支持17种语言,但其CPML许可证在没有单独协议的情况下禁止商业使用——详见PromptQuorum的XTTS v2许可证解析。
• 富有表现力的非语音音频最佳选择,但不适合作为主力语音:Bark ——仅凭文本提示即可生成笑声、叹息和简单的环境音,但其代码仓库自2024年4月5日起没有新的提交,不要依赖它构建需要持续维护的生产流程。
• 🧭 在Raspberry Pi或其他仅有CPU的硬件上,运行小模型的Ollama → Piper。本指南中没有其他引擎被确认能在无GPU的情况下实时运行。
• 🧭 桌面或服务器在Ollama之外还有闲置GPU,希望获得克隆声音,并需要商业使用权 → Chatterbox。
• 🧭 桌面或服务器有闲置GPU,属于研究或个人项目,追求最高的克隆质量 → XTTS v2。
• 🧭 希望用一个工具包随时加载多种不同模型(包括XTTS v2) → 使用Coqui TTS工具包,而不是分别为每个模型单独安装依赖。

什么情况下不应使用这些引擎

• ❌ 如果你需要开箱即用、数十种高度打磨且情感丰富的声音 ——托管式云端API,如ElevenLabs,提供比本文任何模型都更丰富的精选音色库和更强的表现力控制;权衡取舍详见PromptQuorum的ElevenLabs与本地TTS对比。
• ❌ 如果你的硬件在Ollama已占用之外没有多余的RAM或VRAM ——在同一块性能有限的GPU上同时运行Ollama和XTTS v2、Bark这类耗费GPU的TTS引擎,可能导致两者都资源不足;可改用Piper或Kokoro,或把TTS迁移到第二台机器上。
• ❌ 如果你需要发布商业产品,却尚未独立确认许可条款 ——XTTS v2的CPML明确为非商业性质,而其背后的公司Coqui AI已于2023年12月停止其付费许可服务;在把这些引擎中的任何一款用于付费产品之前,请自行核实许可条款。
• ❌ 如果你要克隆真人的声音却未获得其同意 ——这会引发与许可证无关的同意和冒充问题,无论是在个人用途还是商业用途中都同样适用。

常见问题

结论

资料来源

• Ollama GitHub issue #11021 —— 要求原生TTS支持的功能请求,作为一个更早的、仍处于开放状态的issue的重复项被关闭。
• Ollama REST API文档 —— 本指南流程示例中使用的/api/generate接口。
• GitHub上的maudoin/ollama-voice —— 一个把Whisper、Ollama和pyttsx3连接起来的社区项目;本文撰写时拥有378个星标。
• Hugging Face上的Kokoro-82M模型卡片 —— 参数量、许可证和架构。
• Hugging Face上的XTTS v2 —— 克隆要求和许可证参考。
• GitHub上的Chatterbox —— Resemble AI的开源语音克隆模型,许可证及使用示例。
• GitHub上的Bark —— Suno的生成式音频模型,许可证及提交历史。

相关阅读

• Piper TTS评测 —— 本指南在Ollama搭配中排名第一的快速、仅用CPU的本地TTS引擎。
• XTTS v2评测 —— 关于语音克隆、非商业许可证及真实使用命令的完整介绍。
• Coqui TTS评测 —— 通过一个Python API运行XTTS v2及其他模型的工具包。
• Bark TTS评测 —— 富有表现力的非语音音频模型,包括其维护状态。
• 本地TTS与语音克隆许可证 —— 各本地TTS引擎许可证的完整对比。
• ElevenLabs对比Piper对比XTTS v2 —— 为犹豫是否要自行托管的读者提供的云端与本地对比。
• 本地语音助手构建指南 —— 面向也需要输入端语音识别的读者的完整Whisper加Ollama加Piper搭建方案。