2026 年最佳开源文字转语音(TTS)模型
开放的文字转语音模型现在能覆盖几百种语言,几秒钟的音频就能克隆一个声音,从 Kokoro 到 Pocket TTS 和 Phonon 的一批微型模型,还能在笔记本 CPU 或手机上运行。麻烦在于许可证和维护状态:几个最知名的模型只能非商业使用,两个很受欢迎的项目已经停止维护或存档,还有一个撤下了最初的代码。上线任何东西之前,先看清许可证这一行。
-
Qwen3-TTS
阿里巴巴的 Apache 2.0 模型家族,有 1.7B 和 0.6B 两种规格:支持 10 种语言、3 秒声音克隆,流式输出约 97 毫秒。其 1.7B Base 模型在截至 2026 年 11 月 11 日的 30 天内约有 380 万次下载。
-
VoxCPM2
OpenBMB 的 2B、Apache 2.0 模型:支持 30 种语言,可以用文字描述设计声音,支持克隆和 48 kHz 输出,显存约 8 GB。
-
Kokoro 下载量最高
hexgrad 的 Apache 2.0 82M 模型,有 8 种语言的 54 个预设音色。截至 2026 年 11 月 11 日的 30 天内约有 1250 万次下载,比本站任何其他语音模型都多,但它不能克隆声音,自 2025 年 2 月以来没有新版本。
-
Fun-CosyVoice 3
阿里通义的 0.5B、Apache 2.0 零样本模型:支持 9 种语言和 18 种以上中文方言,可克隆声音,流式输出最快 150 毫秒。
-
MOSS-TTS
OpenMOSS 的 Apache 2.0 旗舰模型,有 8B 和 4B 两种规格:支持 31 种语言、零样本克隆、拼音和 IPA 输入、时长控制和精确停顿。v1.5 的模型卡没有发布新基准,4B 模型输出 48 kHz 立体声。
-
IndexTTS-2.5
Bilibili 的 0.8B 零样本声音克隆模型,支持中、英、日、西、阿拉伯语,情感、发音和语速可分别控制,显存约 6 GB。它的自有许可证没有对商用的一般性禁令,但设有 1 亿用户和 10 亿元人民币营收的门槛。
-
ZONOS3-Mini 最新
Zyphra 的 8 亿参数 Apache 2.0 混合专家模型,2026 年 11 月 9 日发布:支持 43 种语言、声音克隆和最长 10 分钟的 44.1 kHz 音频,检查点 9 GB。Zyphra 称它能在笔记本、手机和浏览器里实时运行,它的第一名来自 Zyphra 自己的评测指数。
-
Maya 2 Native
Maya Research 的 2.5B、Apache 2.0 流式模型,支持 11 种印度语言和英语,自带 20 个声音,支持跨语言克隆,据称在一块 H100 上能同时服务 224 路流,首音频延迟中位数 111 毫秒。它需要 NVIDIA GPU,Maya 称没有音频水印。
-
Pocket TTS
Kyutai 的 1 亿参数声音克隆模型,在笔记本 CPU 上比实时更快,支持 6 种语言。权重是 CC BY 4.0,设有禁止用途的访问声明,每个预设音色另有各自的许可证。
-
MOSS-TTS-Nano
OpenMOSS 面向 CPU 的 100M 模型,支持克隆、约 20 种语言和 48 kHz 立体声输出,有不依赖 PyTorch 的 ONNX 路线,还有浏览器扩展。语音模型本身没有公布质量基准,请先听演示。
-
Phonon 31M
Gradium 的 31M 英语模型,文件 64.5 MB,采用 Apache 2.0,自带 37 个音色。多语言的 40M 模型只能非商业使用,开放权重里没有克隆功能。
-
Phonon 40M
Gradium 的 40M 模型,文件 74.6 MB:英语、法语、德语、西班牙语和葡萄牙语各一个,另有一个自带 102 个音色的多语言模型。Gradium 自己的表格显示它们领先于 Kokoro、Magpie 和 NeuTTS,但许可证是 CC BY-NC,权重需申请访问。
-
Supertonic 3
Supertone 的 99M ONNX 模型,支持 31 种语言,带十个预设音色,权重采用 OpenRAIL-M,禁止一系列滥用。项目已在 2026 年 9 月存档,不会再有更新。
-
KittenTTS 2
KittenML 的 1.7B 三值模型,面向 CPU:115 种声音,用 5 到 30 秒音频克隆,带情绪标签。默认文件 0.95 GB,README 要求约 6 GB 内存或约 8 GB 显存的 GPU。商用需要登记,年营收或融资总额达到 100 万美元后许可终止。
-
VieNeu-TTS v3
一位独立开发者做的 131M 越南语和英语模型,输出 48 kHz,有 23 个地区声音,能用 3 到 8 秒音频克隆,并支持不依赖 torch 的 CPU 推理。包括预设声音在内全部采用 Apache 2.0,模型卡没有公布质量基准。
-
Drama 3
Fish Audio 的 360 亿参数混合专家模型,激活 30 亿,支持 83 种语言,2026 年 10 月 13 日发布,可以在文本里写 [whispering] 这样的表演指令。许可证在年营收低于 50 万美元时免费,无论规模都不覆盖托管的声音服务,并禁止用该模型或其输出训练其他语音模型。
-
S2 Pro
Fish Audio 的 4.56B 上一代模型,支持 [whisper in small voice] 这样的自由形式标签、多人对话,以及凭 10 到 30 秒音频克隆声音。Fish Audio 要求 24 GB 显存的 GPU。仅限研究和非商业使用。
-
Higgs TTS 3
Boson AI 的 4.65B 语音对话模型:Boson 称在 102 种语言上达到个位数错误率,支持零样本克隆,并能用文本中的标签控制 21 种情绪、九种音效、语速和停顿。许可证是研究与非商业许可,署名 Boson 的创作者可以免费变现内容,截至 2026 年 11 月 11 日的 30 天内有 11.4 万次下载。
-
OmniVoice
小米新一代 Kaldi 团队的模型,覆盖 600 多种语言,支持克隆和声音设计,截至 2026 年 11 月 11 日的 30 天内约有 380 万次下载。代码是 Apache 2.0,但权重是 CC BY-NC,只能非商业使用。
-
Voxtral TTS
Mistral 的 4B 开放权重模型:支持 9 种语言,用一小段音频就能适配声音。CC BY-NC 许可证决定了它只能非商业使用。
-
Chatterbox
Resemble AI 的 0.5B、MIT 许可证声音克隆模型,Multilingual V3 带 6 个语言包。项目已于 2026 年 8 月停止维护并归档,不会再有更新。
-
Breeze TTS 2
BreezeBlue 的 3.5B 实时中英文模型,支持声音克隆、声音设计和语气指令,据称在 H100 上首个音频延迟低于 40 毫秒。权重仅限非商业使用,需要 Linux 和 CUDA GPU,推荐 12 GB 显存。
-
AuK
腾讯的 MIT 许可证 1.5B 模型,把语音任务都当作指令:根据描述生成声音,改写录音里的词,改变情绪或口音,还能降噪和分离说话人。README 给出的峰值内存是 bf16 下约 25 GiB,启用 CPU 卸载后约 17 GiB。
-
VibeVoice-TTS
微软的 MIT 许可证 1.5B 模型,一次最多生成 90 分钟、4 位说话人,另有 0.5B 的实时模型。微软把预期用途限定为研究,并在 2025 年 9 月撤下了最初的 TTS 代码。
-
MOSS-TTSD
OpenMOSS 的 Apache 2.0 8B 剧本对话模型:1 到 5 位说话人,单次最长 60 分钟,可用 3 到 10 秒的参考音频克隆。在它自己的相似度测试中领先其他开放模型,但词错误率高于它所对比的闭源系统。
-
LFM3-Audio-2B
Liquid AI 的 2B 端侧模型,输入语音,输出语音或文字:支持 18 种语言的转写、合成和翻译。LFM Open License 只允许年收入低于 1000 万美元的公司商用。
我们如何筛选
- 现在就能从开发者官方仓库下载的开放权重。
- 写明权重的许可证,而不只是代码的许可证,因为声音模型常常带有非商业或收入上限,与代码许可证不同。
- 音质因人而异,所以我们介绍功能、语言和限制,而不是按听感排名。选择之前请先听开发者提供的样音。
- 说明维护状态,因为已停止维护或仅限研究的项目不适合做产品的基础。