KittenTTS 二代支持中文配音与短音频克隆

发生了什么

KittenTTS 2 是十七亿参数语音模型，提供 115 个预设声音和十六种语言的命名声音，也支持五至三十秒单人参考音频的声音克隆。模型输出经声码器转成 24kHz 音频，文档给出 Python 安装与生成示例。1

它对中文创作者的直接意义，是有明确中文声音入口和可在本地接入的接口，而不只是一段外语演示。

具体是什么

不同声音承担语言和口音特征。模型页列出 Chinese 等声音名称，并提醒非英语文本设置 normalize=False，因为默认英文规范化可能改变其他语言的数字和日期。情绪、强调和发声事件控制仍标注为测试能力，效果会随声音与句子变化。1

因此，选择声音、文本预处理和表演控制应分别验证。一个声音读简单句自然，不代表它在数字、长句和复杂情绪上也同样稳定。

怎么用

安装 kittenml，按模型页加载 KittenML/kitten-tts-2，先用内置 Chinese 声音和关闭规范化的设置生成短中文。1 测试稿包含姓名、数字、日期、中英混读与较长句子，逐项听清是否漏读或误读。

克隆时准备有授权、单人且清晰的参考音频，先保持文本简单，比较音色相似度和读音。确认基础效果后再尝试情绪或强调标记，避免把参考质量问题与表演控制问题混在一起。

长篇配音可以分段制作，记录声音名称、文本和参数。修改一段后同时听前后衔接，检查音量、节奏和音色是否突然变化，而不是只听新生成的一句。

团队制作时，可以把确认过的人名和专业词单独整理成试听清单，每次更换声音或参数都重听这些片段。记录哪些词需要改写读法，也能让后续补录更一致，减少把同一个发音问题反复带进新作品。

意味着什么

多语言配音工具的使用门槛在下降，但真正影响成片效率的是细节可控程度。中文工作流需要特别关注规范化、停顿和专有名词，不能直接照搬英文演示设置。

对独立开发者，可以在产品里把语言、声音与文本处理选项关联起来，减少用户误配置；同时保留试听和版本比较，让用户决定哪一段值得重新生成。

局限与风险

权重采用 Stellon Labs 社区许可，研究、非商业及有限商业用途可免费使用；用户或关联主体达到文档所列营收或累计融资门槛后，需要另行许可。代码包和部分组件又有不同许可证，不能混为一谈。1

情绪控制属于测试功能，声音一致性和长文本效果仍需实测。1 本条未实际运行生成，不能作为中文质量保证。正式发布前应试听完整内容，检查人名、金额、日期和多音字，并确认参考音色与输出用途得到相应授权。