语音模型 2026 开源 TTS 选型指南：六款主流语音合成模型实测对比

 

导语

如果你在 2026 年要做语音合成相关的产品，开源的选项比两年前多了好几倍。CosyVoice 2、Qwen3-TTS、Fish Speech、IndexTTS2……功能各有侧重，但选错模型可能要付出几周甚至几个月的返工代价。这篇文章把六款主流开源 TTS 从部署到效果完整对比一遍，帮你提纲挈领。全文约 4000 字，阅读需要 12 分钟。

还有omnivoice，稍后验证后上效果

这篇文章适合谁看

• 有 Python 开发基础，想给自己的应用接入语音合成能力 
• 手头有消费级 GPU 或服务器资源，需要本地部署 TTS 服务 
• 正在做语音助手、配音工具、有声书、数字人等项目 
• 关注模型许可证，需要可商用的 Apache 2.0 或 MIT 方案

看完你能掌握：六款模型的定位差异、部署方式、Python 调用方法、关键指标对比和选型决策逻辑。

2026 开源 TTS 全景

2026 年的开源 TTS 生态，大致可分为四个阵营：

•  
• 工程化成熟派：CosyVoice 2、Qwen3-TTS。阿里系出品，中文生态最完善，Docker、vLLM、gRPC 一应俱全，生产环境首选 
• 零样本克隆派：IndexTTS2、F5-TTS。3 秒参考音频即可复刻任意音色，前者还能精细控制情感和时长 
• 多语言全能派：Fish Speech、VoxCPM2。支持语言数量最多，多语言混合场景的首选 
• 轻量级选手：Spark-TTS（0.5B）、Kokoro-82M。资源开销极低，适合验证和轻量集成

六款主力模型详解

CosyVoice 2 — 工程成熟度最高的中文 TTS

阿里通义实验室 FunAudioLLM 出品，2025 年底发布 0.5B 版本。cosyvoice已经出3了，后续验证

• 核心能力：3 秒零样本克隆 + 流式推理（首包延迟约 1.5 秒）+ 自然语言指令控制 
• 语言支持：中文、英文、日文、韩文 + 粤语、四川话等方言变体 
• 许可证：Apache 2.0 
• 硬件需求：单路实时推理约 4GB 显存，RTX 4090 可跑 2 路并发 
• 生态亮点：Docker Compose（FunSpeech）、WebUI、FastAPI、gRPC、TensorRT-LLM、MCP Server 全支持

安装部署方式：

bash

# 官方仓库
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice
conda create -n cosyvoice python=3.10
conda activate cosyvoice
pip install -r requirements.txt

python

from cosyvoice.cli.cosyvoice import CosyVoice2

model = CosyVoice2('pretrained_models/CosyVoice2-0.5B')

# 零样本克隆：3 秒参考音频
result = model.inference_zero_shot_streaming(
    text="你好，欢迎使用 CosyVoice。",
    speech_ref=audio_ref
)

⚠️ **依赖安装注意**  CosyVoice 的 `requirements.txt` 中部分库版本较老，建议用 Python 3.10 虚拟环境。如果遇到 `pynini` 安装失败，试试 `conda install -y -c conda-forge pynini==2.1.5`。

Qwen3-TTS — 阿里新秀，延迟最低

2026 年 1 月开源，Qwen 团队出品，主打超低延迟和自然语言音色设计。

Qwen3-TTS语音模型不能加减速，实际应用效果远不及cosyvoice。非常不推荐。

• 核心能力：端到端延迟仅 97ms（单字符即可输出），支持自然语言描述生成音色（"用亲切温柔的女声说"） 
• 模型系列：1.7B（旗舰）和 0.6B（轻量），各有 CustomVoice / VoiceDesign / Base 三个变体 
• 语言支持：10 种语言（中英日韩德法俄葡西意） 
• 许可证：Apache 2.0 
• 硬件需求：0.6B 约 2GB 显存，1.7B 约 6GB

安装和调用极其简洁：

bash

pip install -U qwen-tts

python

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
    device="cuda:0",
    dtype=torch.bfloat16,
)

wavs, sr = model.generate_custom_voice(
    text="你好，欢迎使用 Qwen3 语音合成。",
    language="Chinese",
    speaker="Vivian",
    instruct="用亲切温柔的语气说",
)
sf.write("output.wav", wavs[0], sr)

Qwen3-TTS 还有一个很特殊的功能——VoiceDesign 模式。你可以用自然语言描述想要的音色，比如"一个 30 岁男性的低沉嗓音，带一点沙哑"，模型会为你生成匹配的声音。

Fish Speech 1.5 — 社区最活跃的多语言选手

Fish Audio 出品，GitHub 30K+ Star，社区活跃度最高。

•  
• 核心能力：双自回归架构，零样本克隆 + 精细情感/韵律控制 
• 语言支持：中英日为主，社区版本支持更多语言 
• 许可证：Apache 2.0（Fish Speech）/ Research License（S2 Pro 商业需另外授权） 
• 硬件需求：基础推理 ≥4GB，语音克隆 ≥6GB

安装时需要特别注意 Python 版本和 PyTorch 对齐：

bash

# 务必使用 Python 3.12
conda create -n fish-speech python=3.12.10
conda activate fish-speech

pip install torch==2.8.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu126

git clone https://github.com/fishaudio/fish-speech
cd fish-speech
git checkout v1.5.1
pip install -e .

python

# 启动 WebUI
python -m tools.run_webui

或者通过 API 调用：

python

from flask import Flask, request, jsonify
from fishspeech import Synthesizer

app = Flask(__name__)
synthesizer = Synthesizer.from_pretrained("fishspeech_1.5.pt")

@app.route('/synthesize', methods=['POST'])
def synthesize():
    data = request.json
    waveform = synthesizer.synthesize(data['text'])
    return jsonify({'audio': waveform.tolist(), 'sample_rate': 24000})

⚠️ **Fish Speech 常见坑**  Python 3.13/3.14 会导致依赖冲突，一定用 3.12。另外要切到 v1.5.0 或 v1.5.1 tag，不要用 main 分支。模型权重建议从 ModelScope 下载，国内速度更快。

 

IndexTTS2 — 情感和时长控制的天花板

B 站 Index 团队 2025 年 9 月开源，在语音克隆的情感表达上做到了目前最优。

•  
• 核心能力：7 种基础情感独立控制、Token 级时长精确控制（误差 < 0.02%）、音色与情感解耦 
• 语言支持：中英双语，55K 小时训练数据（30K 中文 + 25K 英文） 
• 许可证：Apache 2.0 
• 硬件需求：FP16 下约 7.8GB 显存，RTX 3060 8GB 即可运行

bash

# 安装依赖 uv（不支持 pip/conda 直接安装）
uv run webui.py

情感控制示例——你可以指定"用快乐的情绪读这段文字"或"带一点悲伤"：

python

# IndexTTS2 的 T2E 情感模块
result = model.synthesize(
    text="今天天气真好，阳光明媚。",
    ref_audio="sample.wav",
    emotion="happy",  # 可选：angry/happy/fear/disgust/sad/surprise/calm
    duration=5.0,     # 精确控制语音时长（秒）
)

F5-TTS — 最简洁的零样本克隆

Flow Matching + DiT 架构，MIT 许可证，结构极简，适合快速上手。

•  
• 3 秒参考音频即可克隆音色，中英双语
• MIT 许可证，商业最省心
• 社区活跃，第三方集成丰富

bash

git clone https://github.com/SWivid/F5-TTS.git
cd F5-TTS
pip install -r requirements.txt

F5-TTS 是最适合"先跑起来看看"的模型——安装简单、代码量少、效果在同级别模型里不差。

Spark-TTS — 最低资源消耗

基于 Qwen2.5 的 0.5B 模型，显存需求仅 1-2GB，甚至可以在无独显的机器上跑。

• 优势：上手极快，对熟悉 LLM 的开发者友好，支持性别/音调/语速控制
• 短板：16kHz 采样率偏低，长文本表现一般，综合生态不如上面几位

bash

git clone https://github.com/SparkAudio/Spark-TTS.git
cd Spark-TTS
pip install -r requirements.txt

选型对比总表

模型	参数	许可证	显存需求	零样本克隆	情感控制
CosyVoice 2	0.5B	Apache 2.0	~4 GB	✅ 3s	✅ NLC
Qwen3-TTS	0.6-1.7B	Apache 2.0	~2-6 GB	✅ 3s	✅ VoiceDesign
Fish Speech 1.5	~1B	Apache 2.0	~4-6 GB	✅ 1s	✅ 精细控制
IndexTTS2	未公开	Apache 2.0	~8 GB	✅ 3s	✅ 7种 + 时长
F5-TTS	~0.3B	MIT	~3 GB	✅ 3s	❌
Spark-TTS	0.5B	Apache 2.0	~1-2 GB	✅ 3s	部分

效果对比（客观指标）

按论文数据和社区 Benchmark 汇总：

模型	英文 WER ↓	中文 WER ↓	情感相似度 ↑	首包延迟
CosyVoice 2	2.07%	2.43%	0.831	~1.5s
Qwen3-TTS	—	—	—	~97ms
Fish Speech 1.5	3.50%	1.30%	—	~100ms
IndexTTS2	1.88%	2.12%	0.872	—
Spark-TTS	2.43%	2.87%	0.847	—

场景化推荐

•  
• 实时语音助手 / 对话机器人 → Qwen3-TTS（97ms 延迟，无可匹敌）或 CosyVoice 2（流式稳定，生态成熟） 
• 有声书 / 视频配音 → IndexTTS2（精确时长控制 + 情感表达最佳）或 CosyVoice 2（方言支持，中文自然） 
• 多语言内容生产 → Fish Speech 1.5（社区最活跃，多语言数据最多） 
• 语音克隆产品 → CosyVoice 2（工程最完善）或 IndexTTS2（情感最丰富） 
• 快速验证 / 轻量集成 → Spark-TTS（1-2GB 显存）或 F5-TTS（MIT 协议，安装简单）

成本估算

以单卡 RTX 4090 自部署一套 TTS 服务为例：

• 硬件：RTX 4090 24GB（约 ¥1.6 万，按 3 年折旧 ≈ ¥440/月）
• 电费：满载约 450W，日均 8 小时 ≈ ¥80/月
• 总持有成本：约 ¥520/月

对比商业 API：

• ElevenLabs：$5-99/月，按字符计费
• 阿里云百炼 TTS：¥0.002-0.006/次调用
• Azure TTS：$1-16/月 + 按字符

用量大的场景自部署更划算，中小项目直接用 API 更省心。而且自部署的好处是数据不出本地，隐私安全。

总结

一句话：中文场景首选 CosyVoice 2，低延迟要求选 Qwen3-TTS，情感控制选 IndexTTS2。如果你不确定从哪个开始，CosyVoice 2 是目前综合工程成熟度最高的选择。

主流TTS对比

Model	Open-Source	Model Size	test-zh CER (%) ↓	test-zh SS (%) ↑	test-en WER (%) ↓	test-en SS (%) ↑	test-hard CER (%) ↓	test-hard SS (%) ↑
Human	-	-	1.26	75.5	2.14	73.4	-	-
Seed-TTS	❌	-	1.12	79.6	2.25	76.2	7.59	77.6
MiniMax-Speech	❌	-	0.83	78.3	1.65	69.2	-	-
F5-TTS	✅	0.3B	1.52	74.1	2.00	64.7	8.67	71.3
Spark TTS	✅	0.5B	1.2	66.0	1.98	57.3	-	-
CosyVoice2	✅	0.5B	1.45	75.7	2.57	65.9	6.83	72.4
FireRedTTS2	✅	1.5B	1.14	73.2	1.95	66.5	-	-
Index-TTS2	✅	1.5B	1.03	76.5	2.23	70.6	7.12	75.5
VibeVoice-1.5B	✅	1.5B	1.16	74.4	3.04	68.9	-	-
VibeVoice-Realtime	✅	0.5B	-	-	2.05	63.3	-	-
HiggsAudio-v2	✅	3B	1.50	74.0	2.44	67.7	-	-
VoxCPM	✅	0.5B	0.93	77.2	1.85	72.9	8.87	73.0
GLM-TTS	✅	1.5B	1.03	76.1	-	-	-	-
GLM-TTS RL	✅	1.5B	0.89	76.4	-	-	-	-
Fun-CosyVoice3-0.5B-2512	✅	0.5B	1.21	78.0	2.24	71.8	6.71	75.8
Fun-CosyVoice3-0.5B-2512_RL	✅	0.5B	0.81	77.4	1.68	69.5	5.44	75.0