【2026 最新】KittenTTS 2 本機配音教學：選對權重、CPU／MLX，做出繁中 WAV

你想替一段影片做旁白，找到了「CPU 就能跑」的 KittenTTS，卻看到 V0.8、KittenTTS 2、GGUF 與 MLX。名字很像，下載的東西卻可能差了一整代。這篇 KittenTTS 2 本機配音教學，從選對檔案開始，帶你走到一份可逐字核對的繁中 WAV。

專為第一次接觸本機語音合成的讀者寫：先選電腦適合的路徑，再做一句旁白，最後才換成自己的聲音。你會用到終端機與一小段 Python；每段指令都說明用途，成果是音檔、逐字稿與版本紀錄。

先說結論：可用配音＝正確版本＋可控逐字稿＋逐段驗收

把模型想成配音員，權重是同一位配音員的不同訓練版本，runtime 則是錄音室設備。換了設備，不能假設讀音完全相同；裝了同名套件，也要查實際載入的模型。

• 先明確指定 KittenML/kitten-tts-2，不要靠預設值判斷代數。
• 一般 CPU 先看官方 C++ 路徑；Apple silicon Mac 可選 MLX。兩條路分開安裝、分開記錄。
• 繁中稿使用 normalize=False，日期與金額先改成你想聽到的口語。
• 先用內建聲音完成短句；複製自己的聲音放在第二輪，並確認該 runtime 的輸入方式。

一、KittenTTS 2 本機配音教學：先分清三個零件

截至 2026 年 10 月 24 日，官方程式庫同時維護輕量 ONNX 的 V0.8 家族，以及 KittenTTS 2 語音語言模型。這裡的 TTS 是 text-to-speech，也就是「文字變語音」；它和把錄音轉成文字的語音辨識，方向正好相反。若你要的是對電腦口述輸入，先看 Whisper Local 與 open-wispr 的選擇教學。

第一個零件是套件，負責提供 generate() 等操作。第二個是 checkpoint（模型權重快照），決定這次使用哪份訓練結果。第三個是 runtime（執行方式），把權重真的跑起來。GGUF 是權重檔案格式，MLX 是 Apple silicon 上的運算框架，兩者不是模型世代的名稱。

本篇固定 Python 套件 kittenml==0.9.6、CPU 綁定 kitten_tts_cpp==0.2.0，主模型 revision 為 c93cb7c271baa51d9ae8204d5277988906f235a2。可把 revision 當成食譜的版本號：往後再做同一道菜，先確定拿到同一頁。這份設定檔的 type 是 KITTEN2，並列出對應的 C++ 資產。

二、第一步「備好錄音桌」：選路、隔離環境、核對授權

不知道該裝哪個？Windows／Linux 的一般 CPU 使用者先試 C++ 綁定；Apple silicon Mac 先試 MLX。Intel Mac 請從官方 C++ 建置文件核對環境；不要直接套用 MLX。MLX 官方指南明確要求 Apple silicon，並要求 weights="packed"。先保留預設解碼器，之後要換小型解碼器時再重新聽品質。

先開一個空資料夾。在已備有 Python 3.12 的 macOS／Linux，可依序執行 python3.12 -m venv .venv 與 source .venv/bin/activate。Windows PowerShell 則用 py -3.12 -m venv .venv，再執行 .venv\Scripts\Activate.ps1。虛擬環境就像獨立抽屜，讓這篇的依賴和其他專案分開。先用 python --version 確認目前進的是哪個抽屜。

雖然 README 部分段落仍寫 Python 3.9，這次核對的 0.9.6 套件宣告要求 3.10 以上，因此本篇採 3.12。只選下面一條安裝指令；CPU wheel 若顯示平台不相容，先到 0.2.0 官方發布檔核對作業系統、處理器與 Python 版本，不要拿不明轉檔補上。

# CPU C++ 路徑
python -m pip install "kitten_tts_cpp==0.2.0" soundfile

# Apple silicon Mac 路徑：在另一個獨立環境選用這行
python -m pip install "kittenml[mlx]==0.9.6" soundfile

# 安裝完成後保存依賴版本
python -m pip freeze > requirements-lock.txt

做私人練習和替公司接案，要先分開。程式碼採 Apache 2.0；KittenTTS 2 權重採 Stellon Labs Community License。官方商用說明要求商業使用先登記；年營收與累計募資都低於一百萬美元的範圍可申請免費商用，任一達一百萬美元的情境應先走付費授權確認。範圍還會合併關係企業，不是只看這支配音賺了多少。散布模型或建於模型的產品，另有附授權、Notice 與署名義務。

三、第二步「寫成要聽到的話」：繁中日期與金額先消歧義

文字看得懂，不等於配音會照你想的方式念。這個 revision 的模型卡要求非英文輸入關閉英文導向的正規化，因此以下範例都用 normalize=False。這個開關是「別替我用英文規則展開文字」，不是「自動修好中文發音」。

先把 10/24，NT$1,280，KittenTTS 2 改成「十月二十四日，費用是一千兩百八十元。這是 Kitten T T S 第二版。」這是你替本次作品指定的念法。若要念年份，也寫清楚「二零二六年」；「一二八零」和「一千兩百八十」有不同用途，別讓模型猜。

建立 script.txt，第一輪只放一句：「十月二十四日，這堂課的費用是一千兩百八十元。」第二輪再加一句專有名詞，第三輪才加語氣。每次只改一項，你才聽得出是哪個改動有效。先保留原稿和口語稿兩份，之後剪片時可以回查。

四、KittenTTS 2 本機配音教學：兩條路產出第一份 WAV

①「CPU 錄音室」：指定 revision，再檢查可用聲音

把下面存為 cpu_voice.py，再執行 python cpu_voice.py。threads=8 是起始設定，並非每台電腦的最佳值；先讓同一段稿件完整念完，再試其他執行緒數。C++ 會依固定 revision 的 manifest 取回 GGUF、解碼器與聲音資料；首次載入含下載，和之後的等待要分開記。

from pathlib import Path
from time import perf_counter
import json
import soundfile as sf
from kitten_tts_cpp import KittenTTS

revision = "c93cb7c271baa51d9ae8204d5277988906f235a2"
t0 = perf_counter()
m = KittenTTS("KittenML/kitten-tts-2", revision=revision,
              decoder="default", threads=8)
load_s = perf_counter() - t0
print(m.available_voices)
if "Chinese" not in m.available_voices:
    raise RuntimeError("此原生資產未列出 Chinese，先核對版本與聲音清單")
text = Path("script.txt").read_text(encoding="utf-8").strip()
for run in (1, 2):
    t1 = perf_counter()
    audio = m.generate(text, voice="Chinese", normalize=False,
                       preset="stable", advanced={"seed": 1234})
    generation_s = perf_counter() - t1
    if len(audio) == 0:
        raise RuntimeError("音訊為空，先檢查生成紀錄")
    sf.write(f"cpu-{run}.wav", audio, m.sample_rate)
    seconds = len(audio) / m.sample_rate
    report = {"revision": revision, "backend": "cpp",
              "voice": "Chinese", "decoder": "default", "threads": 8,
              "text": text, "load_s": load_s,
              "generation_s": generation_s, "audio_s": seconds,
              "rtf": generation_s / seconds,
              "native_report": m.last_report}
    Path(f"cpu-{run}.json").write_text(
        json.dumps(report, ensure_ascii=False, indent=2), encoding="utf-8")
m.close()

這份程式會保存兩個 WAV 和兩份 JSON。先打開聲音清單；若沒有 Chinese，程式會停下，讓你先查配套資產。同一個品牌、相同檔名，不足以證明轉檔來自同一個 checkpoint。改用第三方 GGUF 時，要能追到來源 revision 與轉檔方式，否則先回到官方配套。上面介面已逐項核對官方 0.2.0 發布 wheel 的 Python 原始碼；它仍是官方標記的 beta 路徑。

②「Mac 錄音室」：先下載固定快照，再交給 MLX

MLX 這條路先把主模型下載到固定目錄，再由本機目錄載入。把下面存為 mac_voice.py，執行 python mac_voice.py。這段只下載 packed 語言模型及配套設定，不把其他重量格式一起拉下來。主權重之外，這版音訊解碼還會取用 ResembleAI/chatterbox-turbo 的 s3gen 資產；固定主模型不等於封存整套依賴，交付時也要記錄實際下載檔案的快取快照與雜湊。

from pathlib import Path
from time import perf_counter
import json
import soundfile as sf
from huggingface_hub import snapshot_download
from kittenml import KittenTTS

revision = "c93cb7c271baa51d9ae8204d5277988906f235a2"
folder = snapshot_download(
    "KittenML/kitten-tts-2", revision=revision,
    allow_patterns=["config.json", "LICENSE.md", "README.md",
                    "lm/*.json", "lm/*.txt", "lm/model-ternary.safetensors",
                    "speaker/*", "voices/*"],
    local_dir="model-kitttentts2-pinned")
t0 = perf_counter()
m = KittenTTS(folder, backend="mlx", weights="packed")
load_s = perf_counter() - t0
text = Path("script.txt").read_text(encoding="utf-8").strip()
for run in (1, 2):
    t1 = perf_counter()
    audio = m.generate(text, voice="Chinese", normalize=False,
                       preset="stable", advanced={"seed": 1234})
    generation_s = perf_counter() - t1
    if len(audio) == 0:
        raise RuntimeError("音訊為空，先檢查生成紀錄")
    sf.write(f"mac-{run}.wav", audio, m.sample_rate)
    seconds = len(audio) / m.sample_rate
    report = {"revision": revision, "backend": "mlx", "weights": "packed",
              "voice": "Chinese", "decoder": "default", "text": text,
              "load_s": load_s, "generation_s": generation_s,
              "audio_s": seconds, "rtf": generation_s / seconds}
    Path(f"mac-{run}.json").write_text(
        json.dumps(report, ensure_ascii=False, indent=2), encoding="utf-8")

檔案生成後，先聽 mac-1.wav，再聽第二份。官方指南指出首輪會編譯 Metal 核心，因此首輪與後續生成要各記一筆。相同 seed（抽樣亂數的起點）也不保證跨 C++、PyTorch、MLX 得到相同波形；官方相容性說明明確區分權重一致與生成結果逐樣本一致。

五、第三步「換成自己的聲音」：錄音與逐字稿成對保存

先完成內建聲音，再錄一段你自己的乾淨聲音。官方建議單一說話者的五到三十秒錄音；選沒有背景音樂、沒有另一個人插話的片段，存成 my_voice.wav。本次練習只用自己的錄音；若要換別人的聲音，先取得涵蓋這次合成與發布用途的同意，並把用途與允許期限和檔案一起保存。

在 Mac 範例建立好 m 之後，用下面這一行替換 m.generate(...)，並把後續輸出檔名另存為 my-voice-1.wav 等新名稱。reference_text 必須是參考錄音真的說過的話，不是你這次要生成的旁白。官方 API 說明把這兩份文字分開；提供正確逐字稿也能略過自動轉錄那一輪。

audio = m.generate(text, reference="my_voice.wav",
                   reference_text="這裡逐字填入我在參考錄音中實際說的話。",
                   normalize=False, preset="stable",
                   advanced={"seed": 1234})

C++ 0.2.0 綁定不能把原始 WAV 直接丟進 reference= 完成聲音複製。該版介面會直接拋出 NotImplementedError；官方C++ 範圍說明要求先用離線 Python 準備參考聲音，再以聲音名稱選取。新手先完成內建 Chinese；想直接用自己的短錄音，採上面的 MLX 路徑，或依 Python 主套件文件選擇相容的 PyTorch 環境。不要把兩套匯入名稱視為完全可互換。

六、第四步「交出作品」：速度、讀音與漏字各有一張成績單

先聽完整，再看快慢。把稿件分成日期、金額、專有名詞、句尾四個核對點：日期是否念成你指定的月份與日子？一千兩百八十是否漏了八十？英文縮寫是否變成另一個詞？最後一個字是否被截斷？發現錯誤先縮短句子、改口語稿，再重生成該段。

速度用 RTF＝生成秒數÷音訊秒數 判讀。假設生成花十二秒、音檔長二十秒，RTF 就是 0.6；這是算式示例。低於 1 代表該段生成比播放快，但不代表按下按鈕立刻有聲音。下載、載入、首輪暖機、檔案寫入及串流第一段延遲，都是另外的時間。上面的 generation_s 量的是呼叫生成到回傳音訊，不含後面的寫檔。

為什麼不直接承諾 CPU 即時？原始 tts-bench 測試紀錄在 2026 年 10 月 22 日回報：Windows、9950X3D、C++ 0.2.0 與權重 1f00fee5 的組合未達即時，且作者明說尚未嘗試原生 SIMD 建置。那是另一份設定與權重的觀察，不能直接預測你這次固定快照的速度，更不能拿來排名繁中音質。

最後建立一個交付資料夾：收進確認過的 WAV、原稿、口語稿、JSON 紀錄、requirements-lock.txt，另記作業系統、處理器、參考錄音與使用同意。若要接到影片，VoiceStudio 本機配音流程補上翻譯與影片的後續工作；若要做雙人對話，Gemini 繁中雙人 WAV 教學提供另一種創作方式。

常見問題：八個直接答案

1. V0.8 是不是 KittenTTS 2 的小檔案版？

不是。官方把兩個模型家族分開描述。先看完整 repo ID 和 config 類型，別用下載大小判斷世代。

2. 看到支援 Chinese，就等於繁中口音一定符合我的需求？

不等於。Chinese 是語言／聲音選項，這份作品的地名、日期與口音仍要拿自己的稿件逐句試聽。

3. 非英文也開著 normalize，會更自然嗎？

先關閉。這個 revision 的模型卡明確要求非英文使用 normalize=False；數字與日期由你在口語稿寫清楚。

4. CPU 一定比 MLX 慢嗎？

不能只看名稱下結論。電腦、執行緒、解碼器、版本與稿件一起決定等待時間；先在自己的機器保存同條件紀錄。

5. 固定 revision，就完全能重現別人的聲音？

不夠。還要對上套件、解碼器、參考檔、生成設定與執行環境；主套件另取的音訊資產也要留存身份。

6. 同一個 seed，換 runtime 會完全一樣嗎？

不會有這項保證。官方明列跨後端浮點運算與抽樣差異，應比較讀音與完整度，不要要求 WAV 位元組相同。

7. 我可以直接把 C++ 範例改成 reference=my_voice.wav 嗎？

0.2.0 這個介面不行。先完成官方離線參考聲音準備；直接短錄音的操作則採主套件路徑。

8. 程式免費，就可以直接替公司接案嗎？

先核對權重商用資格與登記。程式碼的 Apache 2.0 並未替你完成 Community License 的商用與散布條件。

給新手的三個重點

• 版本先對齊：明確指定模型與 revision，記錄執行路徑和解碼器。
• 稿件先消歧義：關閉英文正規化，把數字、日期與名稱寫成要聽到的念法。
• 作品先驗收：完整、念對、可用的旁白，比單一速度數字更接近創作目標。