Pocket TTS接入Home Assistant语音助手：Wyoming协议实战指南

Pocket TTS接入Home Assistant语音助手：Wyoming协议实战指南

【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

想给 Home Assistant 配一个完全本地、低延迟的语音合成引擎吗？开源项目Pocket TTS是一个只有 1 亿参数、纯 CPU 就能跑的轻量级文本转语音（TTS）模型，首次出音频仅需约 200ms，还支持音色克隆和多语言。本文将带你通过Wyoming 协议把它接入 Home Assistant 语音助手，打造一套"唤醒 → 听你说 → 用 AI 回答 → 开口说话"的全本地语音管线。

为什么选择 Pocket TTS 作为 Home Assistant 的语音合成引擎 🎙️

Home Assistant 的语音管线最后一环是 TTS，但很多主流 TTS 方案依赖 GPU 或云端 API，延迟高、隐私差。Pocket TTS 恰好相反：

对树莓派、NAS 这类 Home Assistant 常见宿主来说，"只用 2 个核、内存友好"意味着语音助手再忙也不影响系统响应。

一图看懂 Pocket TTS 的低延迟原理 ⚡

Pocket TTS 采用"文本 + 音频"联合建模的架构：输入文本先转为文本 token，参考音频（音色样本）被 Mimi VAE 编码成条件 latent，两者一起喂给自回归的 flow 语言模型逐帧生成音频 latent，再经 Mimi VAE 解码为 24kHz 波形。音频按80ms 的块流式输出，所以句子还没生成完，前面部分就能先播出来——这正是语音助手体验的关键。

了解 Wyoming 协议：语音管线的"通用语言" 📡

Wyoming 是 Home Assistant 语音生态的轻量传输协议，跑在UDP之上，设计极其简单：

• 文本帧：JSON 描述消息类型（如 TTS 请求、TTS 响应）
• 音频帧：二进制载荷，逐块传输 16-bit PCM 音频

一个实现了 Wyoming 接口的 TTS 服务，就相当于给 Pocket TTS 装上了"标准插头"，Home Assistant 无需关心背后是 Piper、Kokoro 还是 Pocket TTS，管线配置方式完全一致。社区已提供现成的pocket-tts-wyoming适配容器（见 README.md 中 "Projects using Pocket TTS" 一节），把 Pocket TTS 封装成 Wyoming TTS 服务器，开箱即用。

实战步骤：从部署到接入 🛠️

第 1 步：准备并运行 Pocket TTS

如果希望本地源码运行，可以克隆仓库：

git clone https://gitcode.com/GitHub_Trending/po/pocket-tts cd pocket-tts pip install -e .

也可以用官方 Docker 镜像（见 Dockerfile，基于 uv 环境，入口即pocket-tts）。先用命令行验证环境正常：

pocket-tts generate --text "Hello, this is my Home Assistant!"

服务端的 HTTP 接口实现在 pocket_tts/main.py 中，pocket-tts serve会启动 FastAPI 服务（默认localhost:8000），并内置 Web 调试页。更多参数见 docs/CLI Commands/serve.md。

第 2 步：用 export-voice 预导出你的专属音色

语音克隆的"现场处理音频"很慢，而加载预导出的.safetensors音色文件几乎是瞬时的——这对追求低延迟的语音助手至关重要。录一段 20~30 秒的清晰人声，然后：

pocket-tts export-voice ./my_voice.wav ./my_voice.safetensors

细节见 docs/CLI Commands/export_voice.md。

第 3 步：启动 Wyoming 适配服务

使用社区的 pocket-tts-wyoming 容器，把 Wyoming 端口（例如10200）映射出来，并挂载上一步导出的音色文件。容器内部即是 Wyoming 协议握手 + 文本帧收发 + 调用 Pocket TTS 流式合成 + 音频帧回传。

💡 在较弱的 CPU（如树莓派）上，可给服务加上--quantize参数启用 int8 量化，内存占用和耗时都会明显下降，音质损失很小（见 docs/CLI Commands/generate.md 的 Performance Options）。

第 4 步：在 Home Assistant 中注册 TTS 引擎

编辑configuration.yaml，把 Wyoming TTS 加入语音管线：

homeassistant: voice: tts: - engine: wyoming name: Pocket url: udp://<你的主机IP>:10200 language: en

重启 Home Assistant 后，在设置 → 语音助手中即可看到 "Pocket" 引擎并设为默认。对着麦克风说"Hey Jarvis，客厅温度多少？"，回答就会用你克隆的音色从音箱里流出来。

性能与体验优化清单 ✅

• CPU 选型：单线程性能强的机器（如 Apple Silicon、现代 x86）收益最大，无需 GPU。
• 量化：--quantize开启 int8 量化，适合低内存宿主。
• 语言模型：默认英文模型即可；西/法/德/意/葡语可用--language切换，24l变体质量更高但更慢，语音助手场景建议用轻量版。
• 音色管理：多个.safetensors音色文件可让不同房间用不同音色，加载开销几乎为零。

常见问题排查

整套链路跑通后，你的 Home Assistant 就拥有了一个不依赖云端、不占 GPU、还能"用自己的声音说话"的语音助手。想继续深挖 TTS 参数或 Python API，可阅读 docs/ 目录下的官方文档。

【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