可复现的浏览器语音合成测试
厂商速度通常在别的硬件上测得。这里一键让所有模型在你的设备上朗读同一段文字，实时测量；下方附参考值。
尚未下载的模型会下载一次并缓存。大模型不会预选，勾选后可将其下载纳入测试。所有模型使用默认声音朗读同一段两句话。
参考结果
来自公开演示、维护者测量及我们自己的测试。RTF越低越快，1.0代表实时。最后审核于2026年7月。
| 模型 | 硬件／运行环境 | RTF | 来源 |
|---|---|---|---|
| Kokoro-82M | M2 MacBook Air (WebGPU, fp32) | 0.2–0.4 | webml-community 演示，2026 |
| Kokoro-82M | 中端 x86 笔记本电脑（WASM q8，单线程） | ≈1.1 | kokoro-js 社区报告，2025 |
| Piper（中等质量语音） | 中端 x86 笔记本电脑（WASM） | ≈0.11 | sherpa-onnx / piper 测量，2025 |
| KittenTTS Nano | Core i7 笔记本电脑（WASM int8） | ≈0.4 | KittenML 问题跟踪，2026 |
| Kyutai Pocket TTS | Apple M4（WASM，流式生成） | ≈0.17 (6× RT) | Kyutai 发行说明，2026 年 1 月 |
| Chatterbox 0.5B | RTX 级桌面显卡（WebGPU q4） | ≈1.0 | Resemble AI transformers.js 演示，2026 |
测试方法
- 固定约220字符、两句话，使用各模型默认声音合成。
- 计时涵盖分词到最终音频缓冲，不含下载。含下载的首次运行以*标记。
- 根据设备选择：支持时使用WebGPU（Kokoro fp32），否则使用WebAssembly（q8/int8）。
- RTF＝生成时间÷音频时长。
- 全部在设备端运行，结果归你所有，绝不上传。
下载大小和硬件要求详见各模型页面：Kokoro-82M, Piper, KittenTTS Nano, Kyutai Pocket TTS, Supertonic-3, Chatterbox, MOSS-TTS-Nano, Chatterbox Multilingual, OuteTTS-1.0 (0.6B), Orpheus-3B, MOSS-TTS (8.5B).
常见问题
什么是 RTF（实时系数）？
生成耗时除以音频时长。RTF 0.5 表示 10 秒音频用了 5 秒生成，即实时速度的 2 倍。低于 1.0 比实时快，高于 1.0 则需要等待。
为什么我的数据与参考表不同？
这正是测试的意义。速度取决于 CPU/GPU、浏览器版本、WebGPU 可用性、温度，以及模型使用 GPU 还是 WASM。参考表注明其硬件，你的测试注明你的硬件。
模型间的基准测试公平吗？
每个模型用默认声音朗读相同的两句话。首次下载时间以 * 单独标记，区分冷启动与热启动。这是吞吐量测试，音质还需亲耳判断。
测试会发送我的结果吗？
不会。结果在本地显示，如需分享可点击复制。不会收集任何数据。