TTS 模型教程和评测：声音克隆，优选这几款

TTS 模型评测与声音克隆文章封面

AI 配音与 TTS 技术说明配图

大家每天刷短视频，有不少是 AI 配音的。
AI 声音背后用到的技术，就是 TTS 模型（Text-to-Speech，意思是文字转语音）。

现在 TTS 完全到了以假乱真的程度。
与图像、视频、文字模型相比，TTS 最大的优势是可以在本地电脑上跑出最顶级的效果。

这是我用自己声音克隆的一段视频，给朋友看，他们都说听不出来是 AI 做的。

我也在社媒上分享过一个 TTS 的用法。

我在社交媒体分享的 TTS 用法截图

当然，真正的用途还是用它来做视频。
这期我就来做一个 TTS 模型大评测，以及推荐几种免费使用 TTS 模型的方式。

1. TTS 简介

TTS 是 Text-to-Speech，意思是文字转语音。

输入一段文案，它就能生成朗读音频，有默认的声音，也支持声音克隆，用接近你自己的声音来读。

TTS 模型基本都能在个人电脑上运行。
我自己用的还是 Mac M4、32GB 内存，就能跑千问和 Index 团队的模型。

最近比较火的“Vibe 知识大赏”，就是用网页代码制作知识动画。
配上自己的声音，一个人也可以完成优质视频。

整个制作流程完全由 Agent 完成，你只要说你想做什么，它就会按这个流程执行：

写脚本 → 输出配音 → 制作动画、安排背景音乐 → 合成视频

Agent 自动生成知识动画视频的工作流示意图

配音就是用 TTS 模型，有两种方式调用：本地模型和云端 API。

目前主流的 TTS 模型有：Qwen3-TTS、IndexTTS 2.5、VoxCPM2、OmniVoice、Breeze TTS 2、Kokoro 1.1-zh、MiniMax Speech 2.8。

下面是它们各自的介绍和参数规模，B 表示十亿参数，M 表示百万参数。

主流 TTS 模型及参数规模对比图

2. 技术原理和成本

TTS 原理和人朗读差不多：模型先读懂文字，搞清楚读音、停顿和语气；要克隆声音的话，再从录音里提取一份“声音指纹”，也可以叫声纹。

然后逐帧预测声音的音高、强弱，生成一份“语音草稿”；最后由“声码器”把草稿还原成我们能听到的声波。

TTS 技术原理示意：从文字到声波

各家的差别主要在“怎么表示声音”，也直接影响效果和速度。

  • Qwen 把声音切成一个个带编号的“声音积木”，能直接套用大语言模型来预测，读长文更稳。
  • Vox 用连续数字直接描述声音，像“高清原图”，细节更平滑。
  • Omni 则像 AI 画图一样，从噪声里反复“去噪”磨出语音，音质细腻但要算很多遍，所以本地生成最慢。

上述模型的使用：Qwen、Index、Vox、Omni、Breeze、Kokoro 等开源模型基本都能在本地跑，不按字数产生 API 费用，主要成本在设备、GPU 和生成时间上。

本地生成普遍较慢。
例如 IndexTTS 2.5（哔哩哔哩团队做的模型）在 M4 芯片上跑 2 分钟音频约需 1 小时；Omni 生成约 59 秒的旁白需 205 秒；Breeze 完成一段旁白约 239 秒。
Kokoro 文件小、设备负担低，但无法用于克隆音色。

云端方面，免费的可以在 HuggingFace、魔搭平台试用，API 也能申请，但会有速度和额度限制。

MiniMax 的 Speech 2.8 是普遍反馈较好的 TTS 模型，个人套餐约 36 元/月（API 另有计费规则），愿意花钱省配置可以直接选它。

这次我在本地跑了 6 款 TTS、共 25 条音频，我完成了 94 项评分。

我主要看四件事：像不像本人、说话自然不自然、情绪是否到位、音色是否稳定。
另外还会检查有没有漏读、重复或读错内容。

3. 评测结果

普通克隆使用相同的 20 秒参考录音和同一段新文案。
下面每项满分 5 分：

普通克隆评测的分项评分表

各 TTS 模型综合评分汇总表

以上评分仅供参考，按综合表现和日常实用性排序，照这个顺序选就行：

  1. Qwen3-TTS：四项最均衡，自然度满分，日常配音首选。
  2. IndexTTS 2.5：最像本人，情绪和稳定性都满分，只是自然度稍弱。
  3. OmniVoice Q8：长文表现好，但要分段生成，否则容易和原稿不一致。
  4. Breeze TTS 2：情绪场景最出彩。
  5. VoxCPM2：克制愤怒的场景更适合它。
  6. Kokoro：效果不好，不推荐使用。

4. 使用方法

这些 TTS 模型基本都能免费试用，在 HuggingFace 或魔搭（ModelScope）上找到对应模型，就能在线体验、测试效果。

如果想长期、稳定地使用，推荐以下三种方式：

4.1. 本地安装开源模型

直接让你的 AI Agent 帮你装，比如对它说“帮我搜索并安装 Index 最新的 TTS 模型”。
装好之后，每次用都让 Agent 操作本地模型，直接说“帮我克隆这个声音，发送 mp4 文件或音频文件都可以”，它就会自动完成生成。

4.2. 使用开源的 TTS 软件

推荐 Yovoice，它提供图形界面和命令行，能一键下载、管理和调用本地模型，支持声音克隆、情绪控制，内置了本轮评测的 IndexTTS、VoxCPM2、OmniVoice、Qwen3-TTS、Breeze、Kokoro 等模型，省去自己配环境的麻烦；想要更多选择，也可以去 GitHub 搜索其他开源 TTS 项目。

Yovoice 开源 TTS 软件界面

4.3. 调用 API

在阿里云、腾讯云、MiniMax 等模型广场就能搜到开源模型，充值后拿到 API Key，再让自己的 Agent 调用，不用本地部署和等待，适合不想折腾设备、愿意按用量付费的人。

云端 TTS API 调用示例

TTS 模型的更新速度还是蛮快的，基本上一个季度就换一轮，但现在的模型用来克隆声音，完全够用了。
大家也可以尝试在本地下载上述模型，让 Agent 克隆你的声音试一试。

模型只是工具，但在使用工具的过程中，也许你会有灵感，用声音创作艺术作品。