Piper vs Kokoro TTS(2026):该用哪个本地语音引擎?

两款引擎究竟是什么

• Piper 是一款神经网络文本转语音引擎,最初由 Michael Hansen 在 Rhasspy(一个面向离线语音助手的开源工具包)中创建。它使用 espeak-ng 将文本转换为音素,再用一个 VITS 风格的模型从这些音素合成波形,该模型被导出为 ONNX Runtime 格式以实现快速推理,包括在纯 CPU 硬件上。它已成为 Home Assistant 语音管线中默认的本地 TTS 引擎,目前由 Open Home Foundation 在 OHF-Voice/piper1-gpl 维护。PromptQuorum 在一篇专门的 Piper 评测中作了完整介绍。
• Kokoro 是一款开放权重的 TTS 模型,拥有 8200 万参数,由化名 hexgrad 的开发者发布在 Hugging Face。其架构基于 StyleTTS 2,搭配 ISTFTNet 声码器,采用纯解码器设计,没有扩散步骤——比许多参数量更高的 TTS 模型的管线更小、更简单。根据其 Hugging Face 模型卡,它使用数百小时具有宽松许可或属于公共领域的音频训练,1.0 版本于 2025 年 1 月 27 日发布。
• 两款模型都不能从简短参考片段克隆声音。 Piper 和 Kokoro 各自提供一组固定的、可供选择的预训练声音——这与像 XTTS v2 这样的声音克隆模型(能从 6 秒样本音频合成一个全新声音,但许可证为非商业性质)是根本不同的能力。
• 两者都完全离线运行,在你自己的硬件上。 两款引擎都不会把文本或音频发送到云端 API——整个合成管线都在本地运行,这对隐私敏感的应用以及避免按字符计费的云端 TTS 费用都很重要。

Piper vs Kokoro:并排对比

真实使用示例

• Piper 启动更快。 其按声音划分的 ONNX 模型加载迅速,在 CPU 上合成几乎瞬时完成,因此常被用于受限硬件上的交互式语音助手。
• Kokoro 的管线将合成结果按块分组(上文的 gs/ps/audio 三元组),这一点值得了解,以免误以为对长文本单次调用会返回一个连续的音频缓冲区。

# ── Piper:安装与合成 ─────────────────────────────
pip install piper-tts
python3 -m piper.download_voices en_US-lessac-medium
python3 -m piper -m en_US-lessac-medium -f test.wav -- "This is a test."

# Piper Python API
from piper import PiperVoice
voice = PiperVoice.load("en_US-lessac-medium.onnx")
with open("test.wav", "wb") as wav_file:
    voice.synthesize_wav("Fast, local speech synthesis.", wav_file)

# ── Kokoro:安装与合成 ────────────────────────────
pip install kokoro soundfile

# Kokoro Python API(参考 Hugging Face 上的 hexgrad/Kokoro-82M)
from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code="a")  # "a" = 美式英语
generator = pipeline(
    "Kokoro produces noticeably natural-sounding speech from a small model.",
    voice="af_heart",
)
for i, (gs, ps, audio) in enumerate(generator):
    sf.write(f"output_{i}.wav", audio, 24000)

许可证与成本

谁该用哪个

• 以下情况选 Piper: 你在树莓派或类似受限设备上运行、需要到第一段音频的延迟尽可能低,或正在与 Home Assistant 的语音管线集成(Piper 是其默认的本地 TTS 引擎)。
• 以下情况选 Kokoro: 你在制作有声书、配音,或任何听众会察觉到机械感语音的内容,且拥有超出绝对最低限度的 CPU 或 GPU 余量。
• 以下情况两者都不选,改为参考 XTTS v2: 你需要从简短参考片段克隆特定人物的声音——Piper 和 Kokoro 都只使用固定的预训练声音,都不支持声音克隆。支持克隆的替代方案及其许可证,请参考 PromptQuorum 的 XTTS v2 评测(非商业许可证)或 本地 TTS 许可证指南。
• 以下情况两者都不选,改为参考 ElevenLabs 对比: 你需要许可证明确的商业级声音克隆,且不想自行托管。请参考 PromptQuorum 的 ElevenLabs 与本地 TTS 对比。

两者都不适合的场景

• 从样本片段克隆特定人物的声音。 两款引擎都只提供预训练声音——两者都没有从简短参考录音生成一个从未听过的新声音的机制。请改为参考 XTTS v2,并注意其非商业许可证。
• 富有情感表现力的非语音音频(笑声、叹息、环境音)。 两款引擎都只合成语音,并不涉及像 Bark 这类模型所面向的更广泛的表现性音频范围。
• 不计资源成本的最高音频保真度。 对于特别希望获得最高质量英语配音、且不受资源限制的读者,PromptQuorum 的 StyleTTS 2 评测 介绍了一款底层架构与 Kokoro 相当、但体量/音质取舍不同的模型。
• 在修改 Piper 自身源代码的闭源产品中使用 GPL-3.0 代码库。 如果你的部署计划涉及分叉或静态链接修改过的 Piper 源代码到闭源二进制文件中,Piper 现行的 GPL-3.0-or-later 许可证会构成实质性限制——Kokoro 的 Apache-2.0 许可证没有这一限制。

替代方案

常见问题

结论

信息来源

• Hugging Face 上的 Kokoro-82M —— 模型卡:参数、架构、许可证、声音和发布日期。
• GitHub 上的 hexgrad/kokoro —— Kokoro 管线源代码及 API 文档。
• GitHub 上的 OHF-Voice/piper1-gpl —— 目前积极维护的 Piper 仓库,及其许可证和文档。
• GitHub 上的 rhasspy/piper —— 原始的、现已归档的 MIT 许可仓库。
• Piper TTS 评测 —— PromptQuorum 对 Piper 的专门评测,包括其 2025 年重新授权许可证的历史。

延伸阅读

• Piper TTS 评测 —— Piper 的完整评测,包括其历史与许可证变更。
• XTTS v2 评测 —— 面向真正需要声音克隆的读者,Piper 和 Kokoro 都不支持这一点。
• 本地 TTS 与声音克隆许可证:Piper、XTTS v2、F5-TTS 和 Coqui —— 覆盖所有主流本地 TTS 引擎的许可证深度解析。
• ElevenLabs vs Piper vs XTTS v2 —— 面向正在权衡是否自行托管的读者的云端对比本地方案。
• StyleTTS 2 评测 —— 一款相关的高质量、不支持克隆的 TTS 模型,底层架构与 Kokoro 相当。