企业官网建设流程全解析

Pocket TTS音频输出格式详解：24kHz采样率与PCM数据怎么处理

【免费下载链接】pocket-ttsA TTS that fits in your CPU (and pocket)项目地址: https://gitcode.com/GitHub_Trending/po/pocket-tts

Pocket TTS（Kyutai 开源的轻量级 TTS 文本转语音系统）是一个完全运行在 CPU 上的语音生成工具：1 亿参数、支持音频流式输出、首块延迟约 200ms，生成的是24kHz 采样率、16 位 PCM 编码的单声道 WAV音频。本文带你从零理解这套音频格式是怎么产生的——24kHz 采样率从何而来、浮点波形如何变成 PCM 字节、以及输入音频如何被重采样到 24kHz，帮你彻底搞懂 Pocket TTS 音频输出的每一个环节。

24kHz 采样率从哪里来？

Pocket TTS 的音频"标准"由底层的Mimi 音频编解码器决定。在所有语言配置（如 pocket_tts/config/english.yaml）中都有这样一段：

• sample_rate: 24000—— 输出 24kHz 采样率
• channels: 1—— 单声道
• frame_rate: 12.5—— 编解码器每秒只产生 12.5 个音频帧

也就是说，每个音频 token（latent）对应 1/12.5 = 80ms 的语音。语言模型每生成一个 token，Mimi 解码器就吐出 80ms 的 24kHz 波形，这也正是"流式输出"能低延迟工作的原因：不用等整段语音生成完，每攒够一小段就能立刻播放。

为什么选 24kHz 而不是 44.1kHz？两个理由：

1. 音质足够：人声有效频率集中在 4kHz 以下，24kHz 采样率（奈奎斯特频率 12kHz）完全覆盖语音频段；
2. 算力友好：Pocket TTS 的目标是"装进口袋的 TTS"，更低的采样率意味着更少的样本数和更快的 CPU 推理，正好匹配它 2 核 CPU 就能跑的定位。

PCM 数据怎么处理：从浮点波形到 16 位 WAV

模型内部运算用的是float32 浮点波形（取值范围 -1 到 1），而写入文件的 PCM 是int16 整型。转换发生在 pocket_tts/data/audio.py 的StreamingWAVWriter中，核心逻辑只有两步：

1. 写文件头：声明单声道、16 位采样宽度（setsampwidth(2)）、24kHz 采样率；
2. 逐块转换：每收到一段浮点音频，先clamp(-1, 1)削顶防溢出，再乘以 32767 转成 int16 字节流写入文件。

这里有 3 个新手容易忽略的细节：

• 🎵 结尾补 200ms 静音：finalize()会往文件末尾追加 0.2 秒的静音，让句尾收尾更自然，避免播放器截断尾音；
• 📡 支持不可寻流的 stdout：当输出目标是管道（--output-path -）而非普通文件时，无法回头修改 WAV 头部的帧数，代码会把帧数先写成占位值 10 亿并跳过头部回填（pocket_tts/data/audio.py）；
• ⚡ 首块缓冲：可通过环境变量FIRST_CHUNK_LENGTH_SECONDS控制"攒够多少秒再落盘"，用于调低首次写盘延迟。

整个流式写入的调度入口是 pocket_tts/data/audio.py 的stream_audio_chunks()：它支持把音频块写入文件、写入 stdout，或仅打印（path=None），三种模式共用同一套 PCM 转换逻辑。

输入音频怎么办：重采样与单声道化

声音克隆时你提供的参考音频往往是 44.1kHz 的立体声 MP3，Pocket TTS 会把它"翻译"成模型能吃的 24kHz 单声道格式：

重采样用resample_poly而不是简单抽点，是为了避免频谱混叠——这也是官方建议克隆前先清理参考音频的原因之一：输入质量会直接影响输出。

三种方式拿到 24kHz PCM 音频

1. CLI 命令行：pocket-tts generate默认输出到./tts_output.wav（pocket_tts/main.py）。加-可把 WAV 流直接打到终端管道：

pocket-tts generate --output-path - | aplay

2. 本地服务：pocket-tts serve启动 FastAPI 服务（pocket_tts/main.py），/tts接口以audio/wav+ chunked 编码边生成边推送，浏览器端可以实现边下载边播放的流式体验。

3. Python API：TTSModel 提供两种方法——generate_audio()返回完整张量（形状[channels, samples]，采样率从model.sample_rate属性读取，即 24000）；generate_audio_stream()则逐块 yield 音频张量，适合做实时播放器集成。

关键文件路径速查

一句话总结：Pocket TTS 的音频世界非常简单统一——24kHz、16 位、单声道 PCM，模型内部是 float32 波形，落盘时乘以 32767 变成 int16，流式逐块写入 WAV；输入音频则通过resample_poly重采样到这个标准。搞懂这一点，你就能放心地把它的输出接进任何播放器、剪辑软件或你自己的实时语音管道里。

【免费下载链接】pocket-ttsA TTS that fits in your CPU (and pocket)项目地址: https://gitcode.com/GitHub_Trending/po/pocket-tts