Análisis y guía de instalación de Kitten TTS: un modelo de texto a voz de 23MB

La mayoría de los modelos de texto a voz dan por hecho una GPU y gigabytes de disco. Kitten TTS va en sentido contrario: 15 millones de parámetros y unos 23MB en disco, lo que lo convertía probablemente en el modelo TTS funcional más pequeño disponible.

Ofrece varias voces expresivas, sintetiza el habla en tiempo real en una CPU y es de código abierto con la permisiva licencia Apache 2.0. Eso conviene a desarrolladores que trabajan para hardware embebido, proyectos con Raspberry Pi o aplicaciones de navegador, donde el tamaño del modelo y la velocidad son lo que más importa.

Puntos fuertes

• Tamaño reducido: con 23MB funciona en casi cualquier cosa, desde portátiles hasta una Raspberry Pi o dispositivos edge.
• Sin GPU: la inferencia se ejecuta en la CPU, lo que mantiene bajos el consumo y el coste.
• Ocho voces integradas, cuatro masculinas y cuatro femeninas, cada una con cierto rango expresivo.
• Velocidad: la generación suele ser en tiempo real o casi en una CPU corriente.
• Totalmente sin conexión: todo se ejecuta en local sin llamadas a API, lo que ayuda a las aplicaciones que manejan datos privados.

Puntos débiles

• Calidad de audio: el granulado, los cortes y los artefactos se notan, sobre todo en frases más largas o más expresivas.
• Solo inglés por ahora; los desarrolladores dicen que el soporte multilingüe llegará "coming soon" (pronto).
• Sin control explícito de la emoción ni de la prosodia, aunque las voces son expresivas.
• Es una vista previa: funciona, pero no está lista para producción.

Instalar Kitten TTS en Linux (CPU)

Requisitos previos

• Python 3.8 o posterior
• Ubuntu u otro Linux basado en Debian
• Opcional: un entorno virtual
• No hace falta GPU

1. Crea un entorno virtual (recomendado)

python3 -m venv kittenenv
source kittenenv/bin/activate

2. Instala el paquete

KittenML publica el modelo como wheel en GitHub:

pip install https://github.com/KittenML/KittenTTS/releases/download/0.1/kittentts-0.1.0-py3-none-any.whl

El ejemplo de uso básico está en la página del modelo en Hugging Face.

Esta guía daba por hecho originalmente que Kitten TTS también podía cargarse a través de la biblioteca TTS de Mozilla o de un fork de ella, con estos pasos:

git clone https://github.com/mozilla/TTS.git
cd TTS
pip install -r requirements.txt
python setup.py install

Busca en el repositorio de Mozilla TTS un cargador de modelos o una interfaz de Gradio aparte antes de confiar en esa vía.

Ejemplo: una aplicación Gradio local

Esto construye una interfaz sencilla de Gradio alrededor del modelo, usando la vía de Mozilla TTS de arriba:

# app.py
import gradio as gr
from TTS.api import TTS

tts = TTS("tts_models/en/kitten-tts/nano", progress_bar=False, gpu=False)

def speak(text, voice):
    return tts.tts(text, speaker=voice)

demo = gr.Interface(
    fn=speak,
    inputs=[gr.Text(label="Text"), gr.Radio(["1F", "2F", "3M", "4M"], label="Voice")],
    outputs="audio"
)

demo.launch()

Después ejecuta:

python app.py

Abre http://localhost:7860 para probarlo.

Rendimiento

Según el análisis original, la inferencia es rápida incluso en hardware modesto como CPU de dos núcleos o máquinas virtuales: menos de 2 segundos para una frase estándar. El uso de memoria se mantiene por debajo de 1GB y la carga de CPU es ligera.

La pega: las frases largas pueden salir incompletas, el audio puede sonar granulado o robótico según la voz y la carga del sistema, y la reproducción en un navegador puede ir con retraso, probablemente por el navegador y no por el modelo.

Dónde encaja

Kitten TTS no pretende sustituir a modelos de alta fidelidad como ElevenLabs, XTTS o Bark. Su tamaño y su licencia permisiva convienen a otros trabajos:

Caso de uso	Por qué encaja Kitten TTS
Dispositivos embebidos	Ocupa menos de 50MB en total; sin GPU
Aplicaciones centradas en la privacidad	Totalmente sin conexión; sin API de terceros
Prototipado rápido	Rápido para probar flujos de interfaz con voz
Educación	Bueno para demostraciones en clase y laboratorios de informática
Compañeros de IA	Se combina con LLM pequeños para agentes locales
Sitios web estáticos	Narración por voz local sin la nube

Puntuación

Categoría	Puntuación
Calidad de audio	2/5
Velocidad de inferencia	5/5
Uso de recursos	5/5
Variedad de voces	4/5
Experiencia para desarrolladores	4/5
Valor como código abierto	5/5

Puntuación global: 4,2 sobre 5.

Nuestra opinión: la calidad no está a la altura de los mejores modelos, pero cuando una voz pequeña y sin conexión importa más que el acabado, Kitten TTS ya es suficiente hoy, y demuestra que un habla utilizable ya no necesita una descarga enorme ni una GPU de gama alta.

Para una alternativa de alta fidelidad, consulta nuestro análisis de ElevenLabs.