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【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】非常大的变化，在以前的文章中，我曾指出S转载请注明出处：www.tangshuang.net【本文受版权保护】peech是AIGC领域非常重要的一环，【原创不易，请尊重版权】【版权所有，侵权必究】它将在众多AIGC领域不可或缺。TTS已【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。经从传统的机器合成音，发展到了自然音阶段【本文受版权保护】【版权所有，侵权必究】，当下的TTS项目，追求合成音的自然流畅【版权所有，侵权必究】【未经授权禁止转载】，口语化、语气、停顿、口头禅、情绪价值等【版权所有，侵权必究】【未经授权禁止转载】重要因素。过去一段时间，我调研了GPT-【原创内容，转载请注明出处】原创内容，盗版必究。SoVITS, ChatTTS, Cos【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。yVoice, Fish-Speech等未经授权，禁止复制转载。未经授权，禁止复制转载。项目，同时对国内大厂云上的语音合成服务进【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net行了了解，顺带对国外开放了合成接口的创业【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。项目进行了试用。本文将详细阐述我所接触到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的这些TTS项目，以及对它们在接入后是否【原创内容，转载请注明出处】【转载请注明来源】符合预期做对比评测，以为正在做TTS技术【作者：唐霜】原创内容，盗版必究。选型的朋友提供参考。

著作权归作者所有，禁止商业用途转载。【原创不易，请尊重版权】

TTS技术指标

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

【访问 www.tangshuang.n【转载请注明来源】【本文受版权保护】et 获取更多精彩内容】原创内容，盗版必究。【原创内容，转载请注明出处】

接入的便捷性：如果接入很麻烦，意味着后续转载请注明出处：www.tangshuang.net【关注微信公众号：wwwtangshuangnet】的维护、升级都需要付出更多的工作

【作者：唐霜】

原创内容，盗版必究。

效果的出色度：就当下而言，合成语音越接近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】自然说话，效果越好

【转载请注明来源】

合成的稳定性：每次输出的效果要具有稳定性【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。，声音保持一致，断句、背景电流声、停顿时【本文首发于唐霜的博客】未经授权，禁止复制转载。长等都符合预期

原创内容，盗版必究。

【本文首发于唐霜的博客】

转载请注明出处：www.tangshua【关注微信公众号：wwwtangshuangnet】【访问 www.tangshuang.net 获取更多精彩内容】ng.net

成本的低廉性

本文版权归作者所有，未经授权不得转载。

【访问 www.tangshuang.n原创内容，盗版必究。【本文受版权保护】et 获取更多精彩内容】

著作权归作者所有，禁止商业用途转载。

本文版权归作者所有，未经授权不得转载。【访问 www.tangshuang.n本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】et 获取更多精彩内容】

音色

【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。

在所有指标中，音色是最重要的指标。不同的【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】模型，在生成效果上，对音色的依赖度都较大转载请注明出处：www.tangshuang.net著作权归作者所有，禁止商业用途转载。。有的甚至直接靠音色来决定生成语音的语速著作权归作者所有，禁止商业用途转载。原创内容，盗版必究。、风格和情感。音色可能成为当下的核心话题原创内容，盗版必究。【转载请注明来源】，虽然从社会学层面，克隆会带来一些伦理问【未经授权禁止转载】原创内容，盗版必究。题，但是从技术角度，想要获得具体的应用效【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net果，在克隆上下功夫，是目前大部分团队正在原创内容，盗版必究。【版权所有】唐霜 www.tangshuang.net努力的方向。

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

TTS技术备选介绍

虽然本文试图收集更多技术备选方案，但过多著作权归作者所有，禁止商业用途转载。【作者：唐霜】的选项反而可能带来困扰，因此，我只列出相【转载请注明来源】【本文首发于唐霜的博客】对知名的一些技术选项。

转载请注明出处：www.tangshua转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。ng.net【原创不易，请尊重版权】【原创内容，转载请注明出处】【原创内容，转载请注明出处】

开源TTS项目

OpenVoice

可以说，OpenVoice开创了准确克隆【未经授权禁止转载】【未经授权禁止转载】人声的时代，它给技术界带来了新的思路。不著作权归作者所有，禁止商业用途转载。【转载请注明来源】过目前来看，OpenVoice的TTS效原创内容，盗版必究。【未经授权禁止转载】果已经远远落后于后起之秀。尽管如此，它依【原创不易，请尊重版权】【本文首发于唐霜的博客】然是伟大的开源项目。目前出现了了Chat未经授权，禁止复制转载。【作者：唐霜】TTS+OpenVoice的组合，Cha本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。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。

GPT-SoVITS

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。【未经授权禁止转载】著作权归作者所有，禁止商业用途转载。

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，而且未经授权，禁止复制转载。未经授权，禁止复制转载。所需的声音长度很短，克隆速度快，推理速度【原创内容，转载请注明出处】【原创内容，转载请注明出处】也快，支持中英语言。不过，虽然GPT-S本文作者：唐霜，转载请注明出处。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【版权所有，侵权必究】未经授权，禁止复制转载。更像，但是在推理时的自然度不够，能够比较【转载请注明来源】著作权归作者所有，禁止商业用途转载。容易听出是AI的合成声。

近期，GPT-SoVITS发布了2.0版【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。本，在1.0的基础上做了多项提升。但是据【访问 www.tangshuang.net 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。社区小伙伴反馈，2.0之后，克隆的声音反【本文受版权保护】【版权所有】唐霜 www.tangshuang.net而更不像原声了，但是稳定性获得了更好的保【未经授权禁止转载】【未经授权禁止转载】证。从某种角度讲，我们不应该追求与原声的【版权所有，侵权必究】【原创不易，请尊重版权】相似，而应该追求稳定性。

Fish-Speech

相对冷门的TTS开源项目，Fish-Speech附属于大项目Fish Audio，Fis【本文首发于唐霜的博客】原创内容，盗版必究。h Audio团队部分成员来自GPT-S未经授权，禁止复制转载。【原创内容，转载请注明出处】oVITS，技术上具有一脉相承的意味。

原创内容，盗版必究。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中获本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】得的克隆效果不佳，但在其官网克隆则可以获【未经授权禁止转载】【本文受版权保护】得声音更相似的效果。

【转载请注明来源】【访问 www.tangshuang.n原创内容，盗版必究。未经授权，禁止复制转载。et 获取更多精彩内容】

MeloTTS

MeloTTS 是一个由 MyShell AI 开发的本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】开源、高质量、多语言的文本转语音项目，可【转载请注明来源】未经授权，禁止复制转载。以将文本转换成自然流畅的语音输出，并支持【访问 www.tangshuang.net 获取更多精彩内容】【版权所有，侵权必究】英语、西班牙语、法语、中文、日语和韩语等【未经授权禁止转载】未经授权，禁止复制转载。多种语言。MeloTTS 特别支持 CP原创内容，盗版必究。【原创不易，请尊重版权】U 环境下的实时语音合成，无需依赖 GP【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。U。

【关注微信公众号：wwwtangshua【未经授权禁止转载】著作权归作者所有，禁止商业用途转载。ngnet】转载请注明出处：www.tangshua【本文首发于唐霜的博客】【原创不易，请尊重版权】ng.net【原创内容，转载请注明出处】

从体验来讲，MeloTTS 的合成语音只【未经授权禁止转载】【未经授权禁止转载】有轻微的机器感，这在开源项目中算是非常优【本文受版权保护】【关注微信公众号：wwwtangshuangnet】秀。并且文本中的中文、英文和数字都几乎能【访问 www.tangshuang.net 获取更多精彩内容】【作者：唐霜】准确地识别与合成，要说缺点的话就是没有太本文作者：唐霜，转载请注明出处。【作者：唐霜】多的 voice speaker 选项，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。中文目前只找到了一个女声和一个男声。

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

另外值得一提的是，OpenVoice也是【关注微信公众号：wwwtangshuangnet】【原创内容，转载请注明出处】MyShell AI的项目。

ChatTTS

【未经授权禁止转载】本文作者：唐霜，转载请注明出处。

【关注微信公众号：wwwtangshua原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。ngnet】【原创不易，请尊重版权】【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。

不过，其团队出于安全和商业的考虑，开源版本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】本的模型参数较小，且官方特意加入了噪声。

【转载请注明来源】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。

CosyVoice

未经授权，禁止复制转载。【访问 www.tangshuang.n【关注微信公众号：wwwtangshuangnet】【转载请注明来源】et 获取更多精彩内容】

CosyVoice是阿里发布的开源模型，附属于大项目Fun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.netAudioLLM。从官方的demo来看，【本文受版权保护】【版权所有】唐霜 www.tangshuang.net其效果非常接近人声，其效果与ChatTT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】S类似，具有情感和口气。同时，其克隆效果【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】也非常出色，是目前来说，国内最完整最优秀【作者：唐霜】未经授权，禁止复制转载。的TTS开源项目。

【访问 www.tangshuang.n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。et 获取更多精彩内容】【未经授权禁止转载】【原创不易，请尊重版权】未经授权，禁止复制转载。

同时，阿里云上也提供了CosyVoice【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】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】未经授权，禁止复制转载。分。

【转载请注明来源】本文版权归作者所有，未经授权不得转载。

闭源TTS服务

微软Azure语音合成

从目前所有云服务公开的情况来看，Azur本文版权归作者所有，未经授权不得转载。【版权所有】唐霜 www.tangshuang.nete的语音合成是最优秀最稳定的选择，它提供【访问 www.tangshuang.net 获取更多精彩内容】【作者：唐霜】了非常多的配置选项，可以帮助开发者在不同未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。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】著作权归作者所有，禁止商业用途转载。，可以白嫖其免费额度。

TTSMaker

【原创不易，请尊重版权】【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。

TTSMaker可能是基于Azure语音【原创内容，转载请注明出处】【关注微信公众号：wwwtangshuangnet】合成服务进行二次开发后的产品，其效果和性【版权所有，侵权必究】【本文首发于唐霜的博客】能非常令人惊艳。它提供了非常多的音色，也著作权归作者所有，禁止商业用途转载。本文版权归作者所有，未经授权不得转载。提供了长文本TTS，免费额度也足够普通用未经授权，禁止复制转载。【本文受版权保护】户使用。它分为国内版和海外版，域名即cn【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】和com的区别，由于某些原因，com域名【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】不能在国内访问，而由于某些原因，cn站点转载请注明出处：www.tangshuang.net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

本文版权归作者所有，未经授权不得转载。【转载请注明来源】

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

本文版权归作者所有，未经授权不得转载。【关注微信公众号：wwwtangshua【原创内容，转载请注明出处】【本文受版权保护】ngnet】

Reecho睿声

国内较为专注语音相关的厂商，深圳的一家公本文版权归作者所有，未经授权不得转载。【本文受版权保护】司，提供了AI语音社区，可以实现合成和克未经授权，禁止复制转载。原创内容，盗版必究。隆，也开放了API。我自己试了一下克隆，【本文首发于唐霜的博客】【本文首发于唐霜的博客】效果只能说一般，但是它提供的分角色功能我【原创内容，转载请注明出处】【关注微信公众号：wwwtangshuangnet】觉得很有特点。

其他云语音合成

腾讯云、讯飞开放平台、有道智云都提供了语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】音合成服务。我没有真正体验它们的效果，但【本文受版权保护】【访问 www.tangshuang.net 获取更多精彩内容】是阅读了它们的开发文档，从文档来看，感觉【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。就不像是给普通开发者提供使用的。

本文版权归作者所有，未经授权不得转载。【未经授权禁止转载】

ElevenLabs（仅英文）

【原创内容，转载请注明出处】【作者：唐霜】

ElevenLabs是国外的一家专注做A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】I语音相关的厂商，它的操作台一眼就能看出【转载请注明来源】原创内容，盗版必究。非常典型的国外小而美公司的特点。其TTS【原创内容，转载请注明出处】【转载请注明来源】效果非常的优秀，但是只支持英文，如果给中本文作者：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。文的话，会有非常重的外国人口音（有的情况【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。下这竟然是一种特色）。

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。

它有开发API，付费为订阅制，总体而言，【原创不易，请尊重版权】原创内容，盗版必究。虽然其功能很优秀，却不适合国内产品场景。

原创内容，盗版必究。原创内容，盗版必究。

原生TTS功能

浏览器自带SpeechSynthesis

【转载请注明来源】【原创内容，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。【原创不易，请尊重版权】ng.net

我们的浏览器自带了SpeechSynthesis接口，虽然这个接口是实验性的，但是其兼容未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net性还是非常不错的。基于该接口，我们可以直原创内容，盗版必究。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，特著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】别是结合一些浏览器自带的分词工具，我们可【版权所有】唐霜 www.tangshuang.net【原创内容，转载请注明出处】以让SpeechSynthesis实现L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。LM边思考边说话的效果。

但是它的音色会由浏览器加载对应的声音模型转载请注明出处：www.tangshuang.net【本文受版权保护】，而且其生成的声音距离自然的人声还是比较【未经授权禁止转载】【本文受版权保护】远。

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，禁止复制转载。选择一项TTS技术来实现自己的功能。如果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】使用开源项目，则必须自己部署服务，并基于转载请注明出处：www.tangshuang.net原创内容，盗版必究。服务开发业务接口，难度最大；基于云服务，【访问 www.tangshuang.net 获取更多精彩内容】【版权所有】唐霜 www.tangshuang.net则不需要自己部署，虽然成本更高，但是稳定著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。性和效果有保障；基于原生TTS或第三方原【版权所有】唐霜 www.tangshuang.net【作者：唐霜】生库，成本低，难度低，但是语音效果不怎么【访问 www.tangshuang.net 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。好。

【作者：唐霜】【关注微信公众号：wwwtangshua原创内容，盗版必究。【本文受版权保护】ngnet】【转载请注明来源】

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

总结而言：

转载请注明出处：www.tangshua【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。ng.net

【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。

原创内容，盗版必究。

如果追求免费可商用自由度高，就选GPT-【本文首发于唐霜的博客】原创内容，盗版必究。SoVITS，MIT协议可以克隆，效果稳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。定，相似度虽然不够，但起码能用

转载请注明出处：www.tangshua【转载请注明来源】【原创内容，转载请注明出处】ng.net

【作者：唐霜】

如果追求克隆口语化，接近自然人声，就选C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.netosyVoice阿里云服务或Azure的转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。AI语音服务

【未经授权禁止转载】

【本文首发于唐霜的博客】

至于chatTTS和Fish-Speec【原创不易，请尊重版权】转载请注明出处：www.tangshuang.neth，由于其协议问题，不建议采用。

【访问 www.tangshuang.n【本文首发于唐霜的博客】【关注微信公众号：wwwtangshuangnet】et 获取更多精彩内容】本文作者：唐霜，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【版权所有】唐霜 www.tangshuang.net【本文受版权保护】GPT-4o发布时演示的与智能体实时对话【本文首发于唐霜的博客】【原创不易，请尊重版权】的应用，这也是迈向机器人时代的重要一步。【原创内容，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【本文首发于唐霜的博客】【原创内容，转载请注明出处】来说，都无法做到最好，特别是在口语化上，【原创不易，请尊重版权】【本文受版权保护】无法做到极致的自然交流。当然，这或许也不【未经授权禁止转载】【作者：唐霜】是一件坏事，毕竟我们有的时候还是需要区分【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。是自然人声还是机器声，特别是在诈骗横行的【版权所有】唐霜 www.tangshuang.net原创内容，盗版必究。当下。作为产品的开发者，我们在追求极致的未经授权，禁止复制转载。【关注微信公众号：wwwtangshuangnet】同时，也应该考虑到安全性，避免由此带来的【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net政策风险和将来的法律问题。

【作者：唐霜】【本文受版权保护】

【作者：唐霜】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。原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】原创内容，盗版必究。【本文受版权保护】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】未经授权，禁止复制转载。【版权所有，侵权必究】【版权所有，侵权必究】【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】【作者：唐霜】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。【未经授权禁止转载】原创内容，盗版必究。本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshuang.net转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】【版权所有】唐霜 www.tangshuang.net【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。【版权所有】唐霜 www.tangshuang.net【本文首发于唐霜的博客】转载请注明出处：www.tangshuang.net【作者：唐霜】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。

2024-08-28 38762

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