Pocket TTS è un text-to-speech open source di Kyutai che gira su CPU, supporta l’italiano e può clonare una voce da un file audio. È una scelta interessante per prototipi locali e pipeline senza API cloud; non è invece una promessa automatica di conversazione perfetta in tempo reale.
L’ho installato nella mia pipeline di test per la sintesi vocale locale. In questa recensione separo le mie osservazioni dai benchmark pubblicati da Kyutai: conservo lo script scaricabile e le condizioni descritte, ma non pubblico valori miei di RTF, TTFA, CPU o memoria perché nel materiale disponibile non ci sono log verificabili né un campione audio allegato.
Cos’è Pocket TTS
Pocket TTS è un modello text-to-speech open source con licenza MIT sviluppato da Kyutai. Il progetto dichiara 100 milioni di parametri, streaming audio, voice cloning e funzionamento su CPU. Le cifre di circa 200 ms al primo chunk, sei volte il real-time su MacBook Air M4 e due core CPU sono benchmark del progetto, non misure riprodotte in questo articolo.
Rispetto a un servizio cloud, il vantaggio operativo è che testo, voce di riferimento e audio generato possono restare sulla macchina dopo il download di pacchetto e pesi. Rispetto a modelli con sole voci predefinite, Pocket TTS accetta anche un file audio come voce. Questo non dimostra da solo che sia migliore di Kokoro, Piper, Chatterbox o ElevenLabs: senza lo stesso testo, hardware, campione e metrica, il confronto di qualità resterebbe impressionistico.
Come installare Pocket TTS
Alla verifica del 28 agosto 2026, l’ultima release GitHub è v3.0.2. La documentazione corrente indica Python 3.10-3.14 e PyTorch 2.5 o successivo; per il percorso CPU non serve una build GPU di PyTorch. Controlla comunque release e README prima di installare, perché requisiti e comandi possono cambiare.
Il modo più rapido per provarlo è con uv:
uvx pocket-tts generatePer generare una frase italiana con la voce predefinita:
uvx pocket-tts generate --voice giovanni --text "Ciao, questo è un test in italiano" --language italianPer la variante italiana a 24 layer, più lenta e non distillata:
uvx pocket-tts generate --voice giovanni --text "Ciao, questo è un test in italiano" --language italian_24lPer provare più frasi senza ricaricare ogni volta modello e voce:
uvx pocket-tts servepoi apri http://localhost:8000. Puoi anche installare la libreria con pip install pocket-tts e usarla da Python.
Script di test e download
Conservo il tool già pubblicato: installa la libreria se manca, genera un audio in italiano, mostra le statistiche prodotte dal comando e, se gli passi un file, prova il voice cloning. Puoi scaricare lo script Pocket TTS e lanciarlo con uv run test_pocket_tts.py oppure con python test_pocket_tts.py --clone mia_voce.wav --text "Prova di clonazione". Per un risultato riproducibile salva anche versione del pacchetto, modello, CPU, sistema operativo, testo, durata del riferimento e log completo.
Troubleshooting rapido
- Il comando non parte: verifica
python --versione usa una versione supportata tra 3.10 e 3.14. - PyTorch o dipendenze non compatibili: crea un ambiente pulito con
uve controlla che PyTorch sia almeno 2.5. - La prima richiesta è lenta: modello e stato voce richiedono caricamento; per prove ripetute usa
serveo mantienili in memoria nella API Python. - La voce clonata riproduce rumore o artefatti: il README avverte che viene riprodotta anche la qualità del campione. Riprova con parlato pulito, senza musica, riverbero o più persone.
- Ti servono pause controllate: l’aggiunta di silenzio nel testo non è attualmente supportata dal progetto.
Pocket TTS in italiano: prova reale e limiti dell’evidenza
Nella mia prova qualitativa, l’italiano è risultato abbastanza naturale e la generazione di frasi singole mi è sembrata rapida. Ho usato il modello italiano e ho considerato anche italian_24l, la variante non distillata più lenta. Non pubblico però un voto di qualità, RTF, TTFA, consumo CPU o memoria: nel backup editoriale non sono presenti log, configurazione hardware completa o campioni audio che permettano di verificarli.
Il limite osservato resta il flusso conversazionale continuo. Non ho ancora trovato una configurazione che mi soddisfi pienamente per una conversazione a due: generare velocemente un file non equivale a gestire ascolto, turn-taking, STT, LLM e streaming TTS in tempo reale.
Sto valutando Pocket TTS insieme a componenti CPU-friendly per una pipeline voice-to-voice locale. Per un’alternativa cloud trovi il mio articolo su ElevenLabs Conversational AI; per confronti tecnici seri servono però condizioni identiche e campioni ascoltabili, che qui restano un gap dichiarato.
I numeri: come si confronta con gli altri TTS
Kyutai ha pubblicato un confronto diretto su Librispeech test-clean, misurando Word Error Rate (con Whisper-large-v3), qualità audio e somiglianza col parlante tramite valutazione umana a coppie (punteggio ELO).
Il dato che salta all’occhio è che Pocket TTS ottiene lo stesso Word Error Rate di un modello sette volte più grande (Kyutai TTS 1.6B), con una qualità audio percepita superiore a F5-TTS pur essendo circa tre volte più piccolo. È anche l’unico, insieme a Kokoro, a girare più veloce del tempo reale su CPU, ma a differenza di Kokoro supporta il voice cloning.
Perché è così piccolo: l’architettura in breve
Il trucco tecnico principale è evitare del tutto i token audio discreti. I TTS neurali tradizionali convertono l’audio in token discreti con un codec neurale, poi li predicono in autoregressione con un transformer RQ (residual quantization), e infine li ridecodificano in audio. Il problema è che l’RQ-transformer diventa un collo di bottiglia computazionale difficile da rimpicciolire senza perdere qualità.
Pocket TTS elimina questo passaggio: il modello predice direttamente sequenze di latenti continui, basati sul codec Mimi (lo stesso di Moshi), evitando l’RQ-transformer. Per generare l’audio in un solo passaggio invece che con la diffusione classica, usa una tecnica chiamata Lagrangian Self-Distillation (LSD), distillata da un modello “insegnante” a 24 layer in uno “studente” da appena 6 layer. Il risultato: un modello generativo totale di 90M parametri più un decoder da 10M, per 100M complessivi.
A chi serve e a chi no
Pocket TTS ha senso per prototipi di assistenti vocali, narratori e automazioni che devono funzionare in locale e senza costi per chiamata. Non lo sceglierei sulla sola base dei benchmark del produttore per una linea telefonica o un flusso conversazionale critico: prima misurerei latenza end-to-end e stabilità sul computer di destinazione.
Chi usa già un TTS locale può confrontarlo con la mia guida a Chatterbox TTS su Docker e con la prova di Supertonic TTS su Windows. Non dichiaro qui un vincitore: mancano campioni e misure omogenee per Pocket TTS, Kokoro, Piper, Chatterbox ed ElevenLabs.
Voice cloning: campione italiano, qualità e consenso
Il parametro --voice accetta un file WAV e il progetto consiglia un riferimento pulito, perché rumore e difetti possono essere riprodotti. Per l’italiano usa una sola persona, parlato nitido e nessuna musica; annota durata e provenienza del campione. Nell’articolo non è allegato un confronto pulito/sporco, quindi l’effetto sulla qualità resta da documentare con audio verificabile.
Clona soltanto la tua voce o una voce per cui hai un consenso esplicito e legittimo. Il progetto vieta impersonificazione senza consenso, frodi e contenuti ingannevoli. Non usare la voce sintetica per far credere che una persona abbia detto qualcosa che non ha detto; segnala l’uso di audio generato quando il contesto lo richiede.
Conclusione
Pocket TTS è una base concreta per TTS locale su CPU: installazione semplice, italiano, streaming e voice cloning sono già documentati dal progetto. La mia prova qualitativa è positiva sulle frasi singole, mentre il real-time conversazionale resta il capitolo aperto.
Il prossimo passo corretto non è aggiungere numeri senza prova, ma pubblicare un protocollo riproducibile con log, hardware, versioni e campioni audio italiani. Fino ad allora, considera le cifre di latenza e velocità come benchmark Kyutai e le mie valutazioni come osservazioni qualitative.
Domande frequenti e fonti
Cos’è Pocket TTS?
È un TTS open source MIT di Kyutai da 100 milioni di parametri, progettato per CPU, con streaming e voice cloning.
Quali versioni servono?
Alla verifica del 28 agosto 2026, il README supporta Python 3.10-3.14 e richiede PyTorch 2.5 o successivo; l’ultima release GitHub è v3.0.2.
Pocket TTS supporta l’italiano?
Sì: sono disponibili italian a 6 layer e italian_24l, più lenta e non distillata. La voce predefinita documentata è giovanni.
Serve una GPU?
No per il percorso principale: è progettato per CPU. Le prestazioni reali dipendono dall’hardware; questo articolo non include un benchmark locale riproducibile.
Come si clona una voce in modo responsabile?
Usa un campione pulito della tua voce o di una persona che abbia dato consenso esplicito. Non creare impersonificazioni, frodi o registrazioni ingannevoli.
È pronto per conversazioni vocali in tempo reale?
Supporta streaming e il progetto dichiara bassa latenza, ma nella mia pipeline il flusso conversazionale continuo non è ancora risultato plug-and-play.
Se vuoi seguire i prossimi test sulla mia pipeline vocale completamente locale, prima che li racconti altrove, iscriviti alla newsletter settimanale su francescogruner.it.
Aggiungi francescogruner.it come fonte preferita
Se leggi spesso i miei articoli su AI, automazione e tecnologia, ora puoi dire a Google che vuoi vedere più spesso i contenuti di francescogruner.it tra le notizie.
