1.58-bit 三值權重技術與硬體需求
Kitten-TTS 2 的核心特徵在於其「Ternary（三值）」權重設計，模型內所有線性層的權重僅包含 -1、0、+1 三種數值，並採用每 128 個參數一組的縮放因子（scale）進行量化。
這種極致壓縮使得模型體積小巧且推理速度快，官方提供針對 CPU 推理最佳化的核心程式碼。
儘管模型擁有 1.7B 參數量，但由於權重格式的特殊性，它無需 GPU 即可實現即時語音生成，同時也能在消費級 GPU 上運行。
零樣本聲音複製與多語言支援
該模型具備零樣本（zero-shot）聲音複製能力，使用者僅需提供少於 5 秒的參考音訊，即可複製目標說話者的音色、口音及表達風格，過程中不需要進行模型微調。
Kitten-TTS 2 支援超過 20 種語言的聲音複製功能，並允許跨語言克隆，例如使用某種語言的語音特徵來生成另一種語言帶有該口音的語音。
語氣控制與版本差異
除了基本的聲音複製，新版模型允許使用者控制語音_delivery_（delivery）與重音強調，能夠針對特定詞彙進行語氣引導，而不僅是選擇固定的音色。
相較於舊版 V0.8，Kitten-TTS 2 採用了全新的架構以提升語音品質與自然度，並整合了三值權重、多語言支援及情緒控制等新功能。
開源授權與應用場景
KittenML 已將 Kitten-TTS 2 的程式碼與模型權重完全開源，並聲明其為免費使用，旨在作為 ElevenLabs 等雲端服務的低成本替代方案。
由於對硬體要求極低，該模型適合在本地端執行或進行低成本自架部署（self-hosted），特別適用於缺乏 GPU 資源的開發者或企業。
