Piper TTS评测(2026):快速的本地神经网络语音合成

历史:从Rhasspy到Open Home Foundation

Piper实际能做什么

• 命令行合成。 使用已下载的语音模型运行python3 -m piper,可生成WAV文件,或将音频直接流式输出到扬声器。
• Python API。 使用PiperVoice.load()加载一个语音,并从你自己的Python应用中调用.synthesize_wav()或流式的.synthesize()生成器。
• HTTP Web服务器模式。 Piper可以作为持久运行的Web服务器,使语音模型保持加载在内存中,避免每次调用都要承担命令行的重新加载成本——推荐用于重复或生产环境使用。
• C/C++ API(libpiper)。 从旧版Piper仓库移植而来的原生C++库及其命令行工具,用于将Piper嵌入非Python应用。
• 原始音素注入。 用`[[ ... ]]包裹文本可以直接传入IPA音素(来自espeak-ng --ipa=3`),便于纠正名称或专业术语的错误发音。
• 可选GPU加速。 传入--cuda(命令行)或use_cuda=True(Python)可通过onnxruntime-gpu软件包启用CUDA加速,不过Piper的设计目标就是仅靠CPU也能以可接受的速度运行。
• 社区训练的多语言语音。 数十种语言及地区变体作为可单独下载的语音模型,通过Hugging Face提供;由于这些语音由不同的社区贡献者训练,质量因语音而异。

安装并运行Piper:分步指南

1. 1
   安装Piper。
   Why it matters: 在Python环境中运行`pip install piper-tts`(建议使用Python 3.9及以上版本)。这会安装`piper`软件包及其ONNX Runtime依赖;仅使用CPU时无需配置GPU或CUDA。
2. 2
   列出并下载一个语音。
   Why it matters: 不带参数运行`python3 -m piper.download_voices`以列出可用语音,然后运行`python3 -m piper.download_voices en_US-lessac-medium`将指定语音下载到当前目录。
3. 3
   通过命令行合成语音。
   Why it matters: 运行`python3 -m piper -m en_US-lessac-medium -f test.wav -- 'This is a test.'`以写出一个WAV文件。若已安装`ffplay`,可省略`-f`标志以立即听到音频,而不是保存它。
4. 4
   (可选)使用Python API而非命令行。
   Why it matters: 在应用中重复使用时,先执行`from piper import PiperVoice; voice = PiperVoice.load("en_US-lessac-medium.onnx")`,再调用`voice.synthesize_wav(text, wav_file)`,可以避免每次调用命令行都要承担的启动成本。
5. 5
   (可选)启用GPU加速。
   Why it matters: 安装`onnxruntime-gpu`软件包,然后在命令行中传入`--cuda`,或在Python中向`PiperVoice.load()`传入`use_cuda=True`。这是可选项——Piper的设计目标就是仅靠CPU也能实时运行。
6. 6
   (可选)运行Web服务器以便重复使用。
   Why it matters: 在生产环境或重复使用的配置中,运行Piper的HTTP Web服务器模式,使语音模型保持加载在内存中,而不是每次命令行调用都重新加载。
7. 7
   (可选)使用原始音素纠正发音错误的单词。
   Why it matters: 使用`espeak-ng -v en-us --ipa=3 -q <单词>`获取某个单词的IPA音素,然后在输入文本中将其用`[[ ... ]]`包裹,以覆盖Piper对该单词的自动发音。

真实使用示例

• 原始音素注入用于纠正发音:使用来自espeak-ng -v en-us --ipa=3 -q <单词>的IPA音素,像`The [[ bˈætmæn ]] not [[ bɹˈuːs wˈeɪn ]]`这样包裹文本。
• libpiper C/C++ API暴露了piper_create()(如需更精细的控制则用piper_create_with_options()),用于在没有Python运行时的情况下将Piper直接嵌入原生应用。

# 命令行:写出一个WAV文件
python3 -m piper -m en_US-lessac-medium -f test.wav -- "This is a test."

# 命令行:立即播放音频(需要ffplay)
python3 -m piper -m en_US-lessac-medium -- "This will play on your speakers."

# Python API
import wave
from piper import PiperVoice

voice = PiperVoice.load("en_US-lessac-medium.onnx")
with wave.open("test.wav", "wb") as wav_file:
    voice.synthesize_wav("Welcome to the world of speech synthesis!", wav_file)

# Python API:调整合成设置(速度、音量、表现力)
from piper import SynthesisConfig

syn_config = SynthesisConfig(
    volume=0.5,        # 音量减半
    length_scale=2.0,  # 速度减慢一倍
    noise_scale=1.0,   # 更多音频变化
    noise_w_scale=1.0, # 更多语调变化
)
voice.synthesize_wav("Custom synthesis settings.", wav_file, syn_config=syn_config)

# Python API:GPU加速(需要onnxruntime-gpu)
voice = PiperVoice.load("en_US-lessac-medium.onnx", use_cuda=True)

# Python API:流式合成
for chunk in voice.synthesize("Streamed audio, chunk by chunk."):
    play_audio(chunk.audio_int16_bytes, chunk.sample_rate)

许可证与成本

Piper不适合的场景

• 富有表现力、情感化或短短几秒钟内完成的语音克隆。 Piper是从预训练的语音模型合成语音,而不是从特定人物的简短参考音频克隆而来。如果你需要从几秒钟的样本音频克隆一个声音,或需要更具表现力的语调,XTTS v2正是为此而设计——关于其(非商业)许可条款,参见PromptQuorum的本地TTS许可证指南。
• 从简短样本进行多说话人克隆。 同样,Piper没有内置机制可以从特定说话人的音频样本即时生成新语音;每个语音都是单独训练并分发的模型。
• 闭源产品中的GPL-3.0著佐权义务。 如果你的使用场景涉及修改并在闭源二进制文件中重新分发Piper自身的源代码,当前仓库的GPL-3.0-or-later许可证是一个实质性限制,而原始的MIT许可证仓库没有这一限制。请查阅上文的许可证与成本部分,并在此类部署前咨询律师。
• 跨所有语言保证一致的语音质量。 由于语音由不同社区成员训练和贡献,质量会因语言和具体语音而明显不同——在生产应用中采用Piper之前,请先检查目标语言的样本。
• 长期维护的确定性。 截至本文发布时,项目自己的README表明Open Home Foundation正在为Piper寻找更多维护者,这是在其上构建关键基础设施前需要考虑的一点。

Piper的替代方案

常见问题

结论

资料来源

• GitHub上的OHF-Voice/piper1-gpl —— 实际维护的仓库:README、文档、许可证与版本历史。
• PyPI上的piper-tts —— 已发布的软件包元数据,包括当前的GPL-3.0-or-later许可证。
• GitHub上的rhasspy/piper —— 已归档的原始仓库(MIT许可证)。
• piper1-gpl发布记录 —— 版本历史,包括v1.8.0(2026年9月4日)。
• Open Home Foundation —— 维护Piper和Home Assistant的非营利组织。

相关阅读

• 本地TTS与语音克隆许可证:Piper、XTTS v2、F5-TTS与Coqui —— 覆盖所有主要本地TTS引擎的许可证深度对比。
• ElevenLabs对比Piper对比XTTS v2 —— 面向决定是否自行托管的读者的云端与本地对比。
• 2026年打造完全离线的语音助手 —— 将Piper与本地LLM及基于Whisper的STT引擎连接,构建完整语音流程。
• Whisper.cpp评测 —— 同等深度的本地语音识别对应产品评测。
• faster-whisper评测 —— 同等深度评测的基于CTranslate2的语音识别替代方案。