2024年TTS技术选型对比评测-唐霜

过去半年，随着大厂的加入，TTS领域有了本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。非常大的变化，在以前的文章中，我曾指出S【原创不易，请尊重版权】著作权归作者所有，禁止商业用途转载。peech是AIGC领域非常重要的一环，【本文受版权保护】【版权所有】唐霜 www.tangshuang.net它将在众多AIGC领域不可或缺。TTS已【本文受版权保护】【本文受版权保护】经从传统的机器合成音，发展到了自然音阶段本文版权归作者所有，未经授权不得转载。转载请注明出处：www.tangshuang.net，当下的TTS项目，追求合成音的自然流畅本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】，口语化、语气、停顿、口头禅、情绪价值等原创内容，盗版必究。【未经授权禁止转载】重要因素。过去一段时间，我调研了GPT-著作权归作者所有，禁止商业用途转载。【版权所有】唐霜 www.tangshuang.netSoVITS, ChatTTS, Cos本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】yVoice, Fish-Speech等【关注微信公众号：wwwtangshuangnet】著作权归作者所有，禁止商业用途转载。项目，同时对国内大厂云上的语音合成服务进【本文首发于唐霜的博客】本文版权归作者所有，未经授权不得转载。行了了解，顺带对国外开放了合成接口的创业转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】项目进行了试用。本文将详细阐述我所接触到【原创内容，转载请注明出处】著作权归作者所有，禁止商业用途转载。的这些TTS项目，以及对它们在接入后是否原创内容，盗版必究。【版权所有，侵权必究】符合预期做对比评测，以为正在做TTS技术【未经授权禁止转载】本文作者：唐霜，转载请注明出处。选型的朋友提供参考。

TTS技术指标

在国内有一家叫做ttsmaker的网站，【版权所有】唐霜 www.tangshuang.net【版权所有，侵权必究】提供了非常多且免费的语音合成音色，是我认【本文首发于唐霜的博客】【版权所有，侵权必究】为国内目前最为优秀的传统TTS提供方。但转载请注明出处：www.tangshuang.net未经授权，禁止复制转载。可能由于其内部政策的原因，目前已关闭AP【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。I服务，因此，我们无法将它作为技术备选。本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshuang.net在此，需要指出，本文要评测的，是可以作为未经授权，禁止复制转载。【版权所有，侵权必究】开发者可以常规接入，作为自己的TTS后端【本文受版权保护】本文作者：唐霜，转载请注明出处。的技术备选，可以是服务商提供基于acce未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。ss_token的API，可以是类似云服【本文受版权保护】转载请注明出处：www.tangshuang.net务商提供的客户端SDK，也可以是开放源码【转载请注明来源】【版权所有，侵权必究】自己部署为本地服务的，简而言之，如果产品【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。虽好，但作为普通开发者无法接入的（如下文【版权所有，侵权必究】【本文首发于唐霜的博客】提到的Seed-TTS），不再本文考虑范【本文首发于唐霜的博客】【访问 www.tangshuang.net 获取更多精彩内容】围内。

我们进行TTS技术选型，一定是服务于我们著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】的应用场景，而不是纯粹追求指标的全面性。【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。从开发者角度，我认为我们要从以下指标去评【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】估对应的备选是否满足我们的需求：

接入的便捷性：如果接入很麻烦，意味着后续【版权所有，侵权必究】【未经授权禁止转载】的维护、升级都需要付出更多的工作

未经授权，禁止复制转载。

【本文首发于唐霜的博客】

效果的出色度：就当下而言，合成语音越接近【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】自然说话，效果越好

【转载请注明来源】

【未经授权禁止转载】

【本文首发于唐霜的博客】

【原创内容，转载请注明出处】

合成的稳定性：每次输出的效果要具有稳定性转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。，声音保持一致，断句、背景电流声、停顿时【本文受版权保护】本文版权归作者所有，未经授权不得转载。长等都符合预期

原创内容，盗版必究。

成本的低廉性

【访问 www.tangshuang.n【转载请注明来源】【原创内容，转载请注明出处】et 获取更多精彩内容】

本文版权归作者所有，未经授权不得转载。

【本文首发于唐霜的博客】

原创内容，盗版必究。【本文首发于唐霜的博客】【本文受版权保护】本文作者：唐霜，转载请注明出处。

音色

原创内容，盗版必究。原创内容，盗版必究。【未经授权禁止转载】【访问 www.tangshuang.n【未经授权禁止转载】本文作者：唐霜，转载请注明出处。et 获取更多精彩内容】

在所有指标中，音色是最重要的指标。不同的【转载请注明来源】【本文首发于唐霜的博客】模型，在生成效果上，对音色的依赖度都较大未经授权，禁止复制转载。本文作者：唐霜，转载请注明出处。。有的甚至直接靠音色来决定生成语音的语速转载请注明出处：www.tangshuang.net转载请注明出处：www.tangshuang.net、风格和情感。音色可能成为当下的核心话题【作者：唐霜】【本文受版权保护】，虽然从社会学层面，克隆会带来一些伦理问【转载请注明来源】本文作者：唐霜，转载请注明出处。题，但是从技术角度，想要获得具体的应用效【版权所有，侵权必究】著作权归作者所有，禁止商业用途转载。果，在克隆上下功夫，是目前大部分团队正在【本文受版权保护】【本文首发于唐霜的博客】努力的方向。

【作者：唐霜】【未经授权禁止转载】本文作者：唐霜，转载请注明出处。

从技术控制的角度，除了音色外，我们希望自【版权所有，侵权必究】【本文受版权保护】己控制情感、说话的风格（人物扮演的角色，著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。例如同一个人，可以扮演家庭主妇、职场女强著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net人、商店老板娘等等）、停顿、口头禅、情感【作者：唐霜】【关注微信公众号：wwwtangshuangnet】强度、音量、语速、语言、音调（低沉或尖叫【作者：唐霜】未经授权，禁止复制转载。）等。只有在技术上我们可以完全独立控制这著作权归作者所有，禁止商业用途转载。【关注微信公众号：wwwtangshuangnet】些参数，我们才能在具体的场景中获得更好的【未经授权禁止转载】未经授权，禁止复制转载。体验。例如在朗读小说时，不仅要为角色分配【未经授权禁止转载】【本文首发于唐霜的博客】音色，而且还要在不同的故事情节中，对角色【版权所有，侵权必究】原创内容，盗版必究。说的话进行情感、风格等的适配。当然，如果原创内容，盗版必究。【本文受版权保护】这些参数我们完全可控，可以借助大模型来生【未经授权禁止转载】【转载请注明来源】成朗读脚本。

【访问 www.tangshuang.n【作者：唐霜】【原创不易，请尊重版权】et 获取更多精彩内容】原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。

TTS技术备选介绍

虽然本文试图收集更多技术备选方案，但过多【本文首发于唐霜的博客】未经授权，禁止复制转载。的选项反而可能带来困扰，因此，我只列出相本文版权归作者所有，未经授权不得转载。【原创不易，请尊重版权】对知名的一些技术选项。

开源TTS项目

OpenVoice

著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】著作权归作者所有，禁止商业用途转载。【访问 www.tangshuang.n本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】et 获取更多精彩内容】

可以说，OpenVoice开创了准确克隆【转载请注明来源】原创内容，盗版必究。人声的时代，它给技术界带来了新的思路。不【版权所有】唐霜 www.tangshuang.net本文版权归作者所有，未经授权不得转载。过目前来看，OpenVoice的TTS效【转载请注明来源】转载请注明出处：www.tangshuang.net果已经远远落后于后起之秀。尽管如此，它依【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。然是伟大的开源项目。目前出现了了Chat【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】TTS+OpenVoice的组合，Cha本文版权归作者所有，未经授权不得转载。【版权所有，侵权必究】tTTS效果出色，但是克隆很逊，因此有这转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net样的巧妙组合。

转载请注明出处：www.tangshua未经授权，禁止复制转载。本文版权归作者所有，未经授权不得转载。ng.net本文作者：唐霜，转载请注明出处。著作权归作者所有，禁止商业用途转载。【作者：唐霜】

GPT-SoVITS

知名的声音克隆项目，GPT-SoVITS可以克隆出音色与原声极为接近的种子，而且【本文受版权保护】【本文首发于唐霜的博客】所需的声音长度很短，克隆速度快，推理速度【访问 www.tangshuang.net 获取更多精彩内容】本文作者：唐霜，转载请注明出处。也快，支持中英语言。不过，虽然GPT-S【本文受版权保护】未经授权，禁止复制转载。oVITS在克隆上能够让输出的声音与原声【访问 www.tangshuang.net 获取更多精彩内容】【版权所有】唐霜 www.tangshuang.net更像，但是在推理时的自然度不够，能够比较转载请注明出处：www.tangshuang.net原创内容，盗版必究。容易听出是AI的合成声。

近期，GPT-SoVITS发布了2.0版【原创不易，请尊重版权】【转载请注明来源】本，在1.0的基础上做了多项提升。但是据【版权所有】唐霜 www.tangshuang.net【关注微信公众号：wwwtangshuangnet】社区小伙伴反馈，2.0之后，克隆的声音反原创内容，盗版必究。原创内容，盗版必究。而更不像原声了，但是稳定性获得了更好的保【本文受版权保护】【版权所有】唐霜 www.tangshuang.net证。从某种角度讲，我们不应该追求与原声的转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】相似，而应该追求稳定性。

本文版权归作者所有，未经授权不得转载。著作权归作者所有，禁止商业用途转载。

Fish-Speech

相对冷门的TTS开源项目，Fish-Speech附属于大项目Fish Audio，Fis【关注微信公众号：wwwtangshuangnet】【未经授权禁止转载】h Audio团队部分成员来自GPT-S【本文首发于唐霜的博客】【访问 www.tangshuang.net 获取更多精彩内容】oVITS，技术上具有一脉相承的意味。

【关注微信公众号：wwwtangshua原创内容，盗版必究。本文作者：唐霜，转载请注明出处。ngnet】【关注微信公众号：wwwtangshua未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。ngnet】未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。

我在测试时，在其space demo中获【访问 www.tangshuang.net 获取更多精彩内容】著作权归作者所有，禁止商业用途转载。得的克隆效果不佳，但在其官网克隆则可以获著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】得声音更相似的效果。

未经授权，禁止复制转载。【访问 www.tangshuang.n未经授权，禁止复制转载。【本文首发于唐霜的博客】et 获取更多精彩内容】

MeloTTS

MeloTTS 是一个由 MyShell AI 开发的【本文受版权保护】本文版权归作者所有，未经授权不得转载。开源、高质量、多语言的文本转语音项目，可本文作者：唐霜，转载请注明出处。著作权归作者所有，禁止商业用途转载。以将文本转换成自然流畅的语音输出，并支持转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。英语、西班牙语、法语、中文、日语和韩语等【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。多种语言。MeloTTS 特别支持 CP【原创不易，请尊重版权】【未经授权禁止转载】U 环境下的实时语音合成，无需依赖 GP【原创不易，请尊重版权】【原创不易，请尊重版权】U。

未经授权，禁止复制转载。【原创不易，请尊重版权】

从体验来讲，MeloTTS 的合成语音只转载请注明出处：www.tangshuang.net【转载请注明来源】有轻微的机器感，这在开源项目中算是非常优【本文首发于唐霜的博客】本文版权归作者所有，未经授权不得转载。秀。并且文本中的中文、英文和数字都几乎能【版权所有，侵权必究】本文版权归作者所有，未经授权不得转载。准确地识别与合成，要说缺点的话就是没有太【作者：唐霜】【原创内容，转载请注明出处】多的 voice speaker 选项，未经授权，禁止复制转载。本文版权归作者所有，未经授权不得转载。中文目前只找到了一个女声和一个男声。

另外值得一提的是，OpenVoice也是【原创内容，转载请注明出处】原创内容，盗版必究。MyShell AI的项目。

【本文首发于唐霜的博客】著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。

ChatTTS

ChatTTS 也是一个开源的文本转语音项目，支持中文原创内容，盗版必究。【原创内容，转载请注明出处】和英文。目前来说，是开源社区最活跃的TT未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。S项目，社区出现的ChatTTS For著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。ge项目在原项目等基础上做了很大的提升。【转载请注明来源】转载请注明出处：www.tangshuang.net其生成的效果非常接近真实人生。

不过，其团队出于安全和商业的考虑，开源版转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】本的模型参数较小，且官方特意加入了噪声。

CosyVoice

转载请注明出处：www.tangshua本文版权归作者所有，未经授权不得转载。【关注微信公众号：wwwtangshuangnet】ng.net【未经授权禁止转载】本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshua【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】ng.net

CosyVoice是阿里发布的开源模型，附属于大项目Fun【原创内容，转载请注明出处】未经授权，禁止复制转载。AudioLLM。从官方的demo来看，未经授权，禁止复制转载。【本文受版权保护】其效果非常接近人声，其效果与ChatTT【作者：唐霜】【版权所有，侵权必究】S类似，具有情感和口气。同时，其克隆效果本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net也非常出色，是目前来说，国内最完整最优秀著作权归作者所有，禁止商业用途转载。【作者：唐霜】的TTS开源项目。

同时，阿里云上也提供了CosyVoice【关注微信公众号：wwwtangshuangnet】著作权归作者所有，禁止商业用途转载。的服务，因此，下方就不单独提阿里云服务部【原创不易，请尊重版权】【转载请注明来源】分。

【转载请注明来源】【转载请注明来源】【转载请注明来源】【未经授权禁止转载】

闭源TTS服务

微软Azure语音合成

原创内容，盗版必究。未经授权，禁止复制转载。

从目前所有云服务公开的情况来看，Azur【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】e的语音合成是最优秀最稳定的选择，它提供【本文首发于唐霜的博客】【本文受版权保护】了非常多的配置选项，可以帮助开发者在不同著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。场景实现自己的效果。而且，网上有很多攻略【未经授权禁止转载】【本文首发于唐霜的博客】，可以白嫖其免费额度。

TTSMaker

TTSMaker可能是基于Azure语音未经授权，禁止复制转载。【原创内容，转载请注明出处】合成服务进行二次开发后的产品，其效果和性原创内容，盗版必究。【关注微信公众号：wwwtangshuangnet】能非常令人惊艳。它提供了非常多的音色，也【版权所有，侵权必究】未经授权，禁止复制转载。提供了长文本TTS，免费额度也足够普通用著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。户使用。它分为国内版和海外版，域名即cn【作者：唐霜】本文作者：唐霜，转载请注明出处。和com的区别，由于某些原因，com域名原创内容，盗版必究。本文作者：唐霜，转载请注明出处。不能在国内访问，而由于某些原因，cn站点【原创内容，转载请注明出处】本文版权归作者所有，未经授权不得转载。关闭了API服务。

火山引擎megaTTS

【关注微信公众号：wwwtangshua原创内容，盗版必究。【关注微信公众号：wwwtangshuangnet】ngnet】本文版权归作者所有，未经授权不得转载。【转载请注明来源】【原创内容，转载请注明出处】

豆包背后使用了Seed-TTS，但是Se原创内容，盗版必究。未经授权，禁止复制转载。ed-TTS并没有公开提供服务，字节在火【本文首发于唐霜的博客】转载请注明出处：www.tangshuang.net山引擎提供了megaTTS，我有真实体验本文版权归作者所有，未经授权不得转载。著作权归作者所有，禁止商业用途转载。，从克隆的效果来看，非常的优秀，与豆包的本文版权归作者所有，未经授权不得转载。【版权所有，侵权必究】克隆效果有的一比。不过megaTTS的收转载请注明出处：www.tangshuang.net【原创不易，请尊重版权】费比较贵。

Reecho睿声

【访问 www.tangshuang.n【本文受版权保护】【访问 www.tangshuang.net 获取更多精彩内容】et 获取更多精彩内容】【本文首发于唐霜的博客】【本文首发于唐霜的博客】

国内较为专注语音相关的厂商，深圳的一家公【关注微信公众号：wwwtangshuangnet】【未经授权禁止转载】司，提供了AI语音社区，可以实现合成和克原创内容，盗版必究。【访问 www.tangshuang.net 获取更多精彩内容】隆，也开放了API。我自己试了一下克隆，原创内容，盗版必究。【版权所有】唐霜 www.tangshuang.net效果只能说一般，但是它提供的分角色功能我【转载请注明来源】本文作者：唐霜，转载请注明出处。觉得很有特点。

其他云语音合成

ElevenLabs（仅英文）

ElevenLabs是国外的一家专注做A【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。I语音相关的厂商，它的操作台一眼就能看出著作权归作者所有，禁止商业用途转载。【访问 www.tangshuang.net 获取更多精彩内容】非常典型的国外小而美公司的特点。其TTS本文版权归作者所有，未经授权不得转载。【原创内容，转载请注明出处】效果非常的优秀，但是只支持英文，如果给中【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。文的话，会有非常重的外国人口音（有的情况本文作者：唐霜，转载请注明出处。【本文受版权保护】下这竟然是一种特色）。

原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。

本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshua著作权归作者所有，禁止商业用途转载。著作权归作者所有，禁止商业用途转载。ng.net【原创不易，请尊重版权】

原生TTS功能

浏览器自带SpeechSynthesis

我们的浏览器自带了SpeechSynthesis接口，虽然这个接口是实验性的，但是其兼容【作者：唐霜】著作权归作者所有，禁止商业用途转载。性还是非常不错的。基于该接口，我们可以直【作者：唐霜】著作权归作者所有，禁止商业用途转载。接用javascript实现语音播报，特未经授权，禁止复制转载。【作者：唐霜】别是结合一些浏览器自带的分词工具，我们可原创内容，盗版必究。【本文受版权保护】以让SpeechSynthesis实现L本文版权归作者所有，未经授权不得转载。本文作者：唐霜，转载请注明出处。LM边思考边说话的效果。

【关注微信公众号：wwwtangshua【本文受版权保护】【关注微信公众号：wwwtangshuangnet】ngnet】【本文首发于唐霜的博客】

TTS技术选型对比评测

作为开发者，我们最终要根据当前的业务场景本文作者：唐霜，转载请注明出处。【未经授权禁止转载】选择一项TTS技术来实现自己的功能。如果【版权所有，侵权必究】未经授权，禁止复制转载。使用开源项目，则必须自己部署服务，并基于【未经授权禁止转载】【本文首发于唐霜的博客】服务开发业务接口，难度最大；基于云服务，【版权所有】唐霜 www.tangshuang.net【转载请注明来源】则不需要自己部署，虽然成本更高，但是稳定本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】性和效果有保障；基于原生TTS或第三方原【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。生库，成本低，难度低，但是语音效果不怎么转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net好。

转载请注明出处：www.tangshua【原创不易，请尊重版权】著作权归作者所有，禁止商业用途转载。ng.net本文版权归作者所有，未经授权不得转载。本文版权归作者所有，未经授权不得转载。

OpenVoice

GPT-SoVITS

Fish-Speech

MeloTTS

ChatTTS

CosyVoice

微软Azure语音合成

TTSMaker

火山引擎megaTTS

Reecho睿声

ElevenLabs

浏览器SpeechSynthesis

合成效果

人声相似性

稳定性

一般

不错

稳定

忽上忽下

很稳定

稳到飞起

还行

稳到飞起

长文本

差

好

很好

差

差，但可以分角色

好的不得了

情感、风格

几乎没有

有一点

有

不错

很不错

可选

几乎没有

可选

有

无

中文+英文+数字

差

还行

好

数字不行

还行

差

好

音色数量

多到不行

中文只有2个

海量

还行

常用的都有

竟然还有方言

还行

中文的不多，有粤语和台湾

口语化

没有

棒

可选

没有

没有，机器音重到不行

合成可选项

太少

很少

很多

多

一般多

太少

几乎没有

克隆

音色近似度

有一定相似性

比OpenVoice稍好

比OpenVoice好很多

用SenseVoice克隆，效果比OpenVoice好非常多

非常接近原声

个人感觉一般

付费功能没有试

语气情感

可加控制器控制

有一点点，但不多

有

不错

几乎没有

–

零样本

是

源人声要求

30s

3-10s

开发

要自己部署

是

是，可使用API服务

是

是，可使用阿里云服务

开发难度

难

很难

一般

简单

自由度

高

中

高

低

一般

极高

其他

项目地址

https://github.com/myshell-ai/OpenVoice

https://github.com/RVC-Boss/GPT-SoVITS

https://github.com/fishaudio/fish-speech

https://github.com/myshell-ai/MeloTTS

https://github.com/2noise/ChatTTS

https://github.com/FunAudioLLM/CosyVoice

服务

https://fish.audio/zh-CN/

https://help.aliyun.com/zh/isi/developer-reference/streaming-speech-synthesis-tts-documentation/

https://learn.microsoft.com/zh-cn/azure/ai-services/speech-service/index-text-to-speech

https://ttsmaker.com/

https://www.volcengine.com/docs/6561/79817

https://www.reecho.cn/

https://elevenlabs.io/app/speech-synthesis/text-to-speech

https://developer.mozilla.org/en-US/docs/Web/API/SpeechSynthesis

开源协议

MIT

CC-BY-NC-SA 4.0 license

MIT

AGPL-3.0 license

Apache-2.0 license

可商用

可

不可，需授权

可

不可，需购买私有版独立部署

可

不可，需购买商业版

可

总结

优点

开源免费可商用

开源免费可商用，稳定

人声相似

开源免费可商用，稳定

口语化很棒

效果比chatTTS还ok

无可挑剔

音色多，长文本

最接近原声

国内少有的专注语音厂商

功能多，小而美

浏览器自带，不要钱，无成本

缺点

效果一般

小众，不可商用

音色少

没有克隆，不可商用

性能差，要求高（但可以用云服务）

没有克隆，国内无法调用API

收费贵

效果不好

不支持中文，贵

音色太拉，如果将来可以自己载入音色模型就好了

未经授权，禁止复制转载。【本文首发于唐霜的博客】原创内容，盗版必究。

未经授权，禁止复制转载。原创内容，盗版必究。

总结而言：

本文版权归作者所有，未经授权不得转载。【访问 www.tangshuang.n【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】et 获取更多精彩内容】

如果是为了长文本读小说，可以选择TTSM【访问 www.tangshuang.net 获取更多精彩内容】转载请注明出处：www.tangshuang.netaker或Azure的AI语音服务

原创内容，盗版必究。

本文版权归作者所有，未经授权不得转载。

如果仅仅是为了能够发出声音进行阅读，为了转载请注明出处：www.tangshuang.net【原创不易，请尊重版权】追求实时性，流式阅读，可以选择浏览器Sp著作权归作者所有，禁止商业用途转载。著作权归作者所有，禁止商业用途转载。eechSynthesis

本文版权归作者所有，未经授权不得转载。

【访问 www.tangshuang.n转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】et 获取更多精彩内容】

如果追求免费可商用自由度高，就选GPT-【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】SoVITS，MIT协议可以克隆，效果稳本文作者：唐霜，转载请注明出处。【转载请注明来源】定，相似度虽然不够，但起码能用

【关注微信公众号：wwwtangshua【未经授权禁止转载】【转载请注明来源】ngnet】

【访问 www.tangshuang.n【本文受版权保护】【作者：唐霜】et 获取更多精彩内容】

如果追求克隆口语化，接近自然人声，就选C【关注微信公众号：wwwtangshuangnet】【转载请注明来源】osyVoice阿里云服务或Azure的【访问 www.tangshuang.net 获取更多精彩内容】本文作者：唐霜，转载请注明出处。AI语音服务

【转载请注明来源】

【未经授权禁止转载】

转载请注明出处：www.tangshua【转载请注明来源】【访问 www.tangshuang.net 获取更多精彩内容】ng.net

原创内容，盗版必究。

至于chatTTS和Fish-Speec本文版权归作者所有，未经授权不得转载。【作者：唐霜】h，由于其协议问题，不建议采用。

本文版权归作者所有，未经授权不得转载。【原创内容，转载请注明出处】

结语

随着AI应用的发展，市面上会出现愈来越多【关注微信公众号：wwwtangshuangnet】【版权所有】唐霜 www.tangshuang.netGPT-4o发布时演示的与智能体实时对话【本文受版权保护】未经授权，禁止复制转载。的应用，这也是迈向机器人时代的重要一步。本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。然而就目前市面上的TTS产品而言，就目前【本文受版权保护】【转载请注明来源】来说，都无法做到最好，特别是在口语化上，未经授权，禁止复制转载。【转载请注明来源】无法做到极致的自然交流。当然，这或许也不【转载请注明来源】【本文受版权保护】是一件坏事，毕竟我们有的时候还是需要区分【原创不易，请尊重版权】【版权所有】唐霜 www.tangshuang.net是自然人声还是机器声，特别是在诈骗横行的著作权归作者所有，禁止商业用途转载。【转载请注明来源】当下。作为产品的开发者，我们在追求极致的本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。同时，也应该考虑到安全性，避免由此带来的【未经授权禁止转载】【未经授权禁止转载】政策风险和将来的法律问题。

本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net【原创内容，转载请注明出处】转载请注明出处：www.tangshuang.net原创内容，盗版必究。【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】未经授权，禁止复制转载。未经授权，禁止复制转载。原创内容，盗版必究。未经授权，禁止复制转载。【本文受版权保护】【本文首发于唐霜的博客】转载请注明出处：www.tangshuang.net【版权所有，侵权必究】【未经授权禁止转载】本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。【本文受版权保护】本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。【原创不易，请尊重版权】著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net未经授权，禁止复制转载。本文版权归作者所有，未经授权不得转载。转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】

2024-08-28 38774

已有9条评论

nova 2024-12-28 12:44

有没有比较一下微软的声音克隆功能？

回复
化腾少了个啥 2024-11-08 11:50

博主你好，最近出了一个F5-TTS，方便测评吗（前面打错了

回复
- 否子戈 2024-11-19 15:09
  
  已经关注了，尽快评测并加到文章末
  
  回复
- 落山 2024-11-21 14:44
  
  它有个很蛋疼的问题，由于对齐得不好，会将输入音频中的某些短语插入到合成音频中。。。只能使用一些小trick尽量避免。另外我在测试时发现，会生成的音频有时会胡说八道(听不懂的外星语言)，提了issue，作者不是很乐意解答。相对来说我更倾向于CosyVoice，阿里提供了钉钉群，群内有他们的技术可以交流
  
  回复
  - 否子戈 2024-11-29 00:16
    
    我现在的主力是cosyvoice和豆包，云上用着
    
    回复
腰马合一 2024-10-11 11:43

非常好，果断赞一个，送杯咖啡

回复
- 否子戈 2024-10-11 20:41
  
  感谢支持
  
  回复
小鱼 2024-09-10 20:52

非常棒的文章。感谢总结。我在用cosyvoice 自己搭建了实时推理服务，用在自己的产品中。目前来看，cosyvoice是最均衡的。没深入去看，不知道他的训练部分是不是也开源了好像是。

回复
蓉蓉 2024-09-07 20:34

学习下测评结果

回复

唐霜

2024年TTS技术选型对比评测

TTS技术指标

TTS技术备选介绍

开源TTS项目

闭源TTS服务

原生TTS功能

TTS技术选型对比评测

结语

为价值买单，打赏一杯咖啡

声明

关于

生态