一句话结论:三档里只有 edge-tts 的中文能直接拿去上线,回译字错率 2.7%。Kokoro 与 Piper 都能全离线跑,前者长文会静默截断、英文缩写整段丢弃,后者错字率 16%。在 M4 上装完跑通约 12 分钟,全程不用 GPU。
三档方案分别是什么
edge-tts 7.3.1 是微软 Edge 朗读接口的本地客户端,包只有 5MB,中文音色 8 个,其中两个是辽宁和陕西方音。每次合成走网络,不需要 key,也没有计费账号。
Kokoro-82M 是 8200 万参数的开源模型,权重 313MB,中文音色 8 个,四女四男。推理走 PyTorch,所以安装体积的大头是 torch 本身。
Piper 用 ONNX Runtime 跑 VITS,单个中文音色 63MB,官方仓库里中文只有 4 个:chaowen、huayan 及其低质量版、xiao_ya。实测实时率 0.023,1 秒钟能合成 43 秒音频。
装的时候最先撞上的坑
三个包都一条命令装完,但装完 kokoro 中文是跑不起来的。构造 KPipeline(lang_code="z") 时会 import misaki.zh,而它依赖的 ordered_set 没写进主包声明,直接抛 ModuleNotFoundError: No module named 'ordered_set'。
uv pip install kokoro "misaki[zh]"
带上方括号这句会额外拉进 jieba、pypinyin、pypinyin-dict、cn2an、ordered-set、proces 六个包。网上说 Kokoro 中文弱的评测,有一部分就停在这一步之前,把依赖报错当成模型不支持中文。
装完看体积:Kokoro 连带 torch 共 960MB,Piper 151MB,edge-tts 5MB。权重另算,Kokoro 313MB、Piper 63MB,都要从境外拉,走 hf-mirror 与魔搭那条通道 能省不少时间。
怎么给中文打分
人耳听感没法复现,也说不清差在哪个字。这里用回译:把合成出来的音频喂给识别模型转回文字,再和原文逐字比对算字错率。
识别端用 whisper.cpp 的 small 模型,参数 -l zh 加一句简体中文提示词,具体接法见 whisper.cpp 中文转写那篇。比对前两侧都要归一化:去标点空白、阿拉伯数字转中文数字、繁体转简体。少这一步,37 和三十七 会被判成两个错,分数全废。
这套思路和 中文 OCR 十二图实测 一致,多个引擎喂同一批样本,靠指标排序而不是靠感觉。它测的是可懂度,韵律、情感、音色自然度这三项它给不出结论。
四段文本的实测结果
四段文本分别是 25 字的数字加英文缩写、35 字的多音字密集句、53 字的日期价格百分比、217 字的连续长文。同一台 M4 16GB,逐引擎独立进程调用,避免内存读数互相污染。
| 项目 | edge-tts 7.3.1 | Kokoro 0.9.4 | Piper 1.8.0 |
|---|---|---|---|
| 是否需要联网 | 必须 | 否 | 否 |
| 安装体积 | 5.0MB | 960MB | 151MB |
| 权重体积 | 无 | 313MB | 63MB |
| 中文音色数 | 8 | 8 | 4 |
| 短句字错率 | 1.6% | 12.0% | 23.4% |
| 217 字长文字错率 | 3.0% | 45.5%,分段后 8.0% | 13.5% |
| 首块延迟 | 1.09 秒 | 3.68 秒 | 0.15 秒 |
| 实时率 | 0.05 到 0.22 | 0.11 到 0.21 | 0.023 |
| 峰值内存 | 59MB | 2.49GB | 392MB |
| 输出采样率 | 24kHz | 24kHz | 22.05kHz |
短句字错率按前三段加权算,长文单列一栏。edge-tts 三段里有两段零错,唯一失误是把 0.0015 读成了 0.001。Kokoro 那一栏的两个数字差距很大,原因是默认调用会截断,加上分段参数才回到 8.0%,这个机制下面单独讲。
失败点一:510 个音素是硬上限
Kokoro 的 KPipeline 对单段音素串有 510 的硬上限。超了就在 pipeline.py 里做 ps[:510] 切片,只在 logger 打一句 Truncating to 510 characters。默认日志级别下这句话会被脚本的其他输出淹掉。
217 字那段按默认参数调用,返回的音素长度正好 510,音频 23.88 秒。改成分段后是 14 段、最长 128 音素、音频 55.52 秒。前者漏掉近六成内容,接口不报错,返回的仍是完整合法的 wav 文件。
根因在 split_pattern 的默认值 \n+,它只按换行切分。中文段落通常没有换行,整段塞进模型就撞上上限。判据很直接:把每次返回的音素串长度打出来,等于 510 就是被切了。
from kokoro import KPipeline
p = KPipeline(lang_code="z")
for _, ps, audio in p(text, voice="zf_xiaoxiao", split_pattern=r"(?<=[。,;])"):
assert len(ps) < 510
传一个按句号逗号分号的零宽断言就行,14 段全部低于上限。代价是段与段之间要多做一次淡入淡出,直接拼接会有轻微爆音,ffmpeg 的 concat 加 -af 重采样一次即可。
失败点二:英文 token 全变问号
中文模式下 Kokoro 用 misaki 的 ZHG2P 做音素化。任何英文 token 进去都会被替换成问号占位符,这些字符不会进入音频,直接被丢弃。
实测 GPU、API、Python、Docker、RTX、settings 六个 token 全部输出同一个占位符。所以「GPU 占用率降到百分之四十二」合出来只剩「占用率降到百分之四十二」,「API 调用单价」念成两个字。这类错误在回译里表现为整段缺失,字错率自然飙升。
数字也一样。2026 年被读成二千零二十六,4090 读成四千零九十,正确读法应当是二零二六和四零九零。年份和型号是技术稿里最常见的数字,这一条影响面比英文缩写更大。
绕法是送进去之前先做替换:GPU 换显卡、API 换接口、Docker 换容器,年份写成二零二六,型号写成四零九零,然后再交给音素器。这条限制官方文档没有明写,只能靠打音素串发现。另外纯英文文本不能走 lang_code 的 z 档,要单独用 a,两套音素器不通用。
失败点三:开 MPS 反而慢 3.7 倍
macOS 上 torch 的 MPS 后端默认可用,很多人会顺手把 device 设成 mps。同一段 25 字文本实测,CPU 1.244 秒,MPS 4.642 秒,慢了 3.7 倍,内存占用倒是少了 370MB。
8200 万参数的模型撑不满 GPU 的并行度,每次调用来回搬张量反而成了主要开销。这个量级的模型在 Mac 上老老实实用 CPU。Piper 不存在这个问题,ONNX Runtime 默认就是 CPU,加载 0.15 秒。
按场景选哪个
不能联网的批量配音选 Piper。实时率 0.023,392MB 内存,一台机器能并发跑好几路。代价是中文错字率 16%,多音字和多字词经常出错,「他重新称了称这批货的重量」被读成「他重信称乐称这批获的中量」。根因在 onnx.json 里 phoneme_type 是 espeak、voice 是 cmn,音素化交给 espeak-ng,既没有分词也没有多音字消歧。用于正式内容之前,得把易错词改写成同音替代写法。
要自然度又要离线,选 Kokoro 加分段参数。短句字错率 12%,明显好过 Piper,音色也更像人。首块延迟 3.68 秒,做不了实时对话,长文批量配音没问题,记得把英文 token 先替换掉。
有声书、播客、客服提示音这类对外发布的内容,用 edge-tts。2.7% 的字错率、8 个音色含两个方音、1.09 秒出首块,三项都是最好的。前提是允许联网,而且它属于非官方接口,并发拉太高会被限流。
常见问题
完全离线又不想改稿,还有别的选择吗。这三档里没有。Kokoro 的误差集中在英文 token 和年份读法,这两类可以在送进去之前替换掉,剩下的错多是多音字;Piper 的误差散在分词和多音字上,靠改稿绕不过去。真要一字不改,只能上更大规模的中文语音模型,代价是显存和启动时间都不在一个量级。
edge-tts 免费吗,会不会有调用上限。它调的是 Edge 浏览器朗读功能背后的接口,不需要 key,也不走计费。代价是没有官方 SLA,接口地址和鉴权随时可能变,频率过高会被限流。要做稳定服务,建议把合成结果在本地缓存,同一句话不要重复请求。
三个引擎采样率不同,拼在一起会不会出问题。Kokoro 和 edge-tts 是 24kHz,Piper 是 22.05kHz。单独播放都没事,直接按字节拼接会变速并爆音。统一转成 24kHz 再拼:ffmpeg -i in.wav -ar 24000 -ac 1 out.wav。下游既然是播放器和识别模型,重采样一次就够,不用保留多份。
延伸阅读
- RAG 切分怎么设:200 到 1600 字实测召回差一倍2 天前
- 中文 OCR 怎么选:RapidOCR 与 Tesseract 十二图实测1 天前
- 亚马逊 Bee AI 助手开售:$75 起,60% 推理跑在本地1 月前
- NVIDIA Dory 1.0 4B 怎么跑:3.7GB GGUF 四档算力实测1 周前
继续读
往下这几篇值得接着看:
- SenseVoice 与 Whisper 中文实测:228MB 打赢 1.5GB2026-11-19
- GGUF 量化档位怎么选:1.7B 七档实测,Q2 直接报废2026-11-18
- RAG 加 rerank:第一名从 31% 到 60%,每次多 2.2 秒2026-11-18
