Análise e guia de instalação do Kitten TTS: um modelo de texto para fala de 23MB

A maioria dos modelos de texto para fala pressupõe uma GPU e gigabytes de disco. O Kitten TTS vai no sentido oposto: 15 milhões de parâmetros e cerca de 23MB em disco, o que fazia dele provavelmente o menor modelo de TTS funcional disponível.

Ele oferece várias vozes expressivas, sintetiza fala em tempo real em uma CPU e é de código aberto sob a permissiva licença Apache 2.0. Isso serve a desenvolvedores que criam para hardware embarcado, projetos de Raspberry Pi ou apps de navegador, em que tamanho do modelo e velocidade importam mais.

Pontos fortes

• Ocupa pouco: com 23MB, roda em quase qualquer coisa, de notebooks a um Raspberry Pi e dispositivos de borda.
• Sem GPU: a inferência roda na CPU, o que mantém baixos o consumo de energia e o custo.
• Oito vozes embutidas, quatro masculinas e quatro femininas, cada uma com alguma amplitude expressiva.
• Velocidade: a geração costuma ser em tempo real ou perto disso em uma CPU comum.
• Totalmente offline: tudo roda localmente, sem chamadas de API, o que ajuda apps que lidam com dados privados.

Pontos fracos

• Qualidade de áudio: granulação, cortes e artefatos são perceptíveis, sobretudo em frases mais longas ou mais expressivas.
• Só inglês por enquanto; os desenvolvedores dizem que o suporte multilíngue vem "em breve".
• Não há controle explícito de emoção ou prosódia, embora as vozes sejam expressivas.
• É uma prévia: funciona, mas não está pronto para produção.

Instalando o Kitten TTS no Linux (CPU)

Pré-requisitos

• Python 3.8 ou mais recente
• Ubuntu ou outro Linux baseado em Debian
• Opcional: um ambiente virtual
• Não precisa de GPU

1. Crie um ambiente virtual (recomendado)

python3 -m venv kittenenv
source kittenenv/bin/activate

2. Instale o pacote

A KittenML publica o modelo como um wheel no GitHub:

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

O exemplo de uso básico está na página do modelo no Hugging Face.

Este guia originalmente supunha que o Kitten TTS também podia ser carregado pela biblioteca TTS da Mozilla ou por um fork dela, com estes passos:

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

Confira no repositório do Mozilla TTS se há um carregador de modelo separado ou uma interface Gradio antes de confiar nesse caminho.

Exemplo: um app Gradio local

Isto monta uma interface Gradio simples em torno do modelo, usando o caminho do Mozilla TTS acima:

# 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()

Depois rode:

python app.py

Abra http://localhost:7860 para testar.

Desempenho

Segundo a análise original, a inferência é rápida mesmo em hardware modesto, como CPUs de dois núcleos ou máquinas virtuais: menos de 2 segundos para uma frase padrão. O uso de memória fica abaixo de 1GB e a carga na CPU é leve.

O porém: frases longas podem sair incompletas, o áudio pode soar granulado ou robótico dependendo da voz e da carga do sistema, e a reprodução no navegador pode atrasar, o que provavelmente é culpa do navegador e não do modelo.

Onde ele se encaixa

O Kitten TTS não pretende substituir modelos de alta fidelidade como ElevenLabs, XTTS ou Bark. Seu tamanho e sua licença permissiva servem a outras tarefas:

Caso de uso	Por que o Kitten TTS se encaixa
Dispositivos embarcados	Cabe em menos de 50MB no total; sem GPU
Apps focados em privacidade	Totalmente offline; sem APIs de terceiros
Prototipagem rápida	Rápido para testar fluxos de interface com voz
Educação	Bom para demonstrações em sala de aula e laboratórios de computação
Companheiros de IA	Combina com LLMs pequenos para agentes locais
Sites estáticos	Narração por voz local, sem nuvem

Avaliação

Categoria	Nota
Qualidade de áudio	2/5
Velocidade de inferência	5/5
Uso de recursos	5/5
Variedade de vozes	4/5
Experiência do desenvolvedor	4/5
Valor como código aberto	5/5

Nota geral: 4,2 de 5.

Nossa opinião: a qualidade não está à altura dos melhores modelos, mas onde uma voz pequena e offline importa mais que o acabamento, o Kitten TTS já é bom o bastante hoje, e mostra que fala utilizável não exige mais um download enorme nem uma GPU de ponta.

Para uma alternativa de alta fidelidade, veja nossa análise do ElevenLabs.