2026-11-02 POST

AngeVoice：在飞牛上装一个能出声的中文 TTS，能用在哪、怎么装

飞牛商店里的 AngeVoice 把一个中文 TTS 服务塞进了 NAS：网页能直接合成，也能当后端给别的程序调。装法、接口、资源占用和它不适合干的事，这篇都写了。

NAS 上什么都有，就是不会说话。

照片能看、电影能放、文档能读，但你想让某个东西念出来——AI 助手回你一句、音箱播个天气、睡前把一篇文章读成音频——就得在外面找服务，或者干脆放弃。

AngeVoice 补的就是这块。飞牛商店里能装，装完是个网页 + 一组接口。

先说清楚它不是什么

它不是一个训练出来的新模型。

底子是 Kokoro 中文 TTS，作者（安歌）做的事是把它包成一个能在 NAS 上长期跑的服务：加上网页、加上 API、加上缓存和限流、加上 Docker 和商店包。

这句话很重要，因为它决定了预期。你拿到的不是一个能配纪录片的声音，是一个够用、够快、不花钱、数据不出门的合成引擎。想明白这一点，后面就不会失望。

装：三条路，挑一条

商店装（最省事）

飞牛应用商店里搜 AngeVoice，点安装。作者在 6 月那版加了 fpk 包，就是为了让不折腾 Docker 的人也能用。

一行脚本

bash <(curl -fsSL https://raw.githubusercontent.com/angevox/AngeVoice/main/scripts/install.sh)

脚本会自己看你的机器是 CPU 还是 GPU、显卡老不老，然后挑一套配置。第一次装建议走这个，比手抄 compose 稳。

Docker 手动

git clone https://github.com/angevox/AngeVoice.git
cd AngeVoice/docker/cpu     # 有 N 卡就走 docker/gpu
docker compose up -d

端口记住两个：CPU 版 8100，GPU 版 8101。打开 http://你的NAS:8100 就是网页。

配置不在 compose 文件里了，单独放在 angevoice.env。改音色、改缓存、改并发，都在那儿改，改完重启容器。

网页上能干什么

打开就是最朴素的那种界面：左边一个输入框，右边几个下拉。

输一段中文，选音色，点生成，等几秒，下面出现一个播放器和下载按钮。

第一次合成会慢——模型要先加载进内存。之后就快了，同样的句子甚至会走缓存直接返回。

这个页面适合试听：换音色、试标点、听它念数字和人名的感觉。真要用起来，还是得靠接口。

真正有用的部分是那一组 API

AngeVoice 做了 OpenAI 兼容的语音接口，路径是 /v1/audio/speech。意思是：任何能对接 OpenAI TTS 的程序，把地址和端口一改，就能用你 NAS 上的这个。

curl -X POST http://192.168.1.10:8100/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"input":"今天的备份已经跑完了","voice":"中文女声"}' \
  --output out.mp3

这一条能接的东西很多：

AI 助手回你话（本地大模型 + 本地 TTS，全程不出网）
小智那类 ESP32 音箱的后端
阅读器、听书 App 的朗读源
自动化脚本播报（备份完成、下载好了、门开了）
视频配音的草稿——先听节奏对不对，再找人配

还有 WebSocket 流式。这个才是给实时对话用的：不用等整段合成完，边生成边往回吐，延迟低很多。做语音助手的话，流式和非流式是两种体验。

批量合成也支持，一次提交多段，打包成 ZIP 给你。

它吃多少资源

作者贴过一次实测，机器是 i3-9100T，跑 MOSS 克隆模式，合成一万字左右的长文本：

CPU 大概 75%
内存 5.8 GB

这数字看着吓人，但有个前提：那是克隆模式，也就是拿一段参考音频去模仿音色，属于最重的用法。只跑 Kokoro 普通合成，压力小得多。

还有个细节我觉得挺好：空闲十分钟左右会自动把模型卸掉，容器内存掉到 200 MB 上下。对 NAS 来说这一步很关键——不然一个 TTS 服务能常年占着五六个 G。

硬件建议：8 GB 内存能跑，16 GB 舒服。想玩音色克隆，老实上 N 卡，CPU 上等得人心烦。

音质这件事，得说实话

Kokoro 是小模型。它念得清楚、节奏也自然，但你要拿它配一条宣传片，会听出那种"机器在念稿"的感觉——重音位置固定，长句的换气不明显，情绪基本没有。

它擅长的场景是信息播报：天气、日程、通知、文章朗读、助手回话。这些场合没人要求它有感情，只要求别念错、别卡。

真要接近真人，得上更大的模型（MOSS 那类），代价是算力和等待时间。AngeVoice 把这几种放在一个服务里让你选，这个设计比"押注一个模型"聪明。

装的时候可能遇到的

第一次生成特别久 模型要下载、要加载。等过一次就好。

拉镜像卡住 早期版本走 ghcr.io，国内经常拉不动。作者后来改成默认 Docker Hub 了，新版别再手动指定 ghcr。

管理页面有点糙 /admin 那页还有些细节没打磨完，作者自己也说了准备放到下个版本。日常用不到它，别在那上面较劲。

克隆不像 参考音频的质量决定一切。手机随手录的一段，和安静环境下录的三十秒，结果差很远。

适合谁，不适合谁

手里有台常年开着的飞牛、想让家里的东西"会说话"——装。

只想在手机上点一下把一段文字转成语音，转完就删——别装。商店里随便一个 App 都比这个省事。

想给自己的视频配一条有人味的旁白——先别指望它，去试听一下再说。

最后

AngeVoice 的位置挺微妙的：比在线 TTS 麻烦，比大模型轻，正好卡在"愿意折腾、但不想烧显卡"的那条线上。

项目在 GitHub 上还活着，作者更新挺勤，从 compose 到 fpk 包、从 ghcr 换 Docker Hub、加自动释放模型，都是照着用户的抱怨改的。