梳理一下当前主流的牛逼的TTS（文字转语音）方案，供大家参考： CosyVoice 2：工业级低延迟与流式交互，阿里通义出品。核心优势在于首包音频延迟低，只… · @realchendahuang · TwKit

@realchendahuang

梳理一下当前主流的牛逼的TTS（文字转语音）方案，供大家参考： CosyVoice 2：工业级低延迟与流式交互，阿里通义出品。核心优势在于首包音频延迟低，只有 150 毫秒左右，支持文字边生成边发声。覆盖中英日韩和多地方言，适合配合大模型做全双工实时语音 Agent 和数字人。 GPT-SoVITS：专属音色定制与像真度，花儿不哭等团队开源。虽然支持几秒快速克隆，但它最强的是用 1 分钟左右音频进行小样本微调。微调后的音色相似度、口音细节和语气习惯极其逼真，配有人声分离和切片打标的全套 WebUI，是自媒体配音和角色专属声库的首选。 ChatTTS，拟人口语与对话松弛感，专为闲聊对话设计。首创将笑声、叹气和语气词自然融入生成过程，大幅消除了传统语音合成刻板的播音腔。中英混读非常顺畅，很适合做 AI 播客或陪伴型助手。缺点是随机性较强，长文本偶尔有吞字。 F5-TTS 与 Breeze-TTS 2，流匹配免对齐克隆，以交大团队开源的 F5-TTS 为代表，丢掉了繁琐的音素强制对齐和时长预测。只需 5 到 10 秒提示音频，就能维持极高的音色一致性，长文本朗读稳定性好，在海外社区同样被当作主力工具。 Fish Audio Drama 3，全功能戏剧表现力，各维度能力非常均衡，具备丰富的细粒度情绪标签、停顿和多说话人控制，在各类开源评测榜名列前茅。代价是模型体积偏大、推理较慢，对本地算力要求较高。 MaskGCT，学术前沿与极端发音，港中文深修与趣丸团队研发。在 10 万小时真实场景语音上训练，两阶段非自回归结构鲁棒性极高，连传统模型很难处理的气声、耳语和绕口令都能稳定复刻。 KittenTTS 2，端侧极低资源运行主打轻量化的三值化结构，体积只有几十兆。普通 CPU 甚至嵌入式设备就能实时跑通，适合极低资源环境下的离线小工具，代价是语气平淡、表现力有限。

曝光 971 · 评论 2 · 点赞 10 · 书签 9