声研所VoiceLab

引擎图鉴

每个方案的免费额度、许可证、隐私边界与适用场景。某个引擎当前能不能用， 由 Python 引擎服务的 `/engines` 实时返回并在这里合并展示。

可用 4 / 9引擎服务：已连接 · 6ms回到合成工作台 →

Edge TTS当前可用

微软 Edge 在线语音，免费方案里的音质天花板

云端服务免费
音质
速度

语言：中文（含东北/陕西口音）、英语等数十种

隐私：文本会发送到微软 Edge 语音服务；录音不会上传（本引擎不用录音）

适用：日常中文配音、快速出片、对比基准音色

许可：免费使用微软在线服务；非开源，无 SLA，接口为非官方逆向实现

优点

  • 免费、无需 GPU、几乎秒出
  • 中文音色自然，新闻/口播效果稳定
  • 支持方言、语速/音调微调
  • 不占用本机内存

限制

  • 必须联网，文本会离开本机
  • 非官方接口，微软随时可能改协议
  • 不支持声音克隆；商用稳定性需自担

适合当「基准线」：先用它把文案读顺，再判断其他引擎值不值得用。

内置音色 10 个项目主页

Kokoro 82M当前可用

本地离线、CPU 可跑的高性价比小模型

本机离线免费
音质
速度

语言：中文、英语（v1.1-zh 模型）

隐私：完全本机推理，文本和音频都不出机器

适用：隐私敏感、离线部署、批量旁白、多角色对白

许可：模型 Apache-2.0；sherpa-onnx 推理框架 Apache-2.0

优点

  • 完全离线、隐私最好
  • 模型仅 110 MB（int8），无 GPU 也能跑
  • 内置 100+ 音色，可做多角色
  • Apache-2.0，商用路径最清晰

限制

  • 2 核 CPU 上约 2 倍实时，长文本要等
  • 中文韵律/多音字不如大模型
  • 不支持克隆；中英混读偶有口音

本机实测：6.9 秒中文音频耗时约 15 秒（含首次加载）。

内置音色 12 个项目主页

ZipVoice 123M当前可用

本机 CPU 就能跑的零样本声音克隆（本项目的王牌）

本机离线免费声音克隆
音质
速度

语言：中文、英语、中英混读

隐私：参考录音与文本都在本机处理，不出机器

适用：个人音色克隆、离线有声内容、隐私敏感场景

许可：ZipVoice / sherpa-onnx 代码 Apache-2.0；模型包未附独立 LICENSE，训练数据 Emilia 条款商用前需复核

优点

  • 真·零样本克隆：3–10 秒参考录音即可
  • 本机 2 核 CPU 上约 3–6 倍实时，长文本需要耐心等待
  • 完全离线，声音不出机器
  • 支持中英混读，长句稳定

限制

  • 必须提供**逐字准确**的参考文本，否则音色明显变差
  • 相似度不及 Qwen3-TTS / GPT-SoVITS 等大模型
  • 模型权重许可证需商用前复核
  • 2 核 CPU 上并发能力有限（建议排队）

本机实测：10 秒音频约 40–60 秒；72 字约 59 秒。长文本请分段。参考文本务必与录音一致。

内置音色 1 个 · 需要参考录音项目主页

OpenAI TTS当前不可用

付费云端，稳定省心，音色自然

云端服务按量付费
为什么不可用
未配置 OPENAI_API_KEY（在 services/tts-engine/.env 里填写后重启）
音质
速度

语言：中文、英语等多语言

隐私：文本会发送到 OpenAI；录音不会上传

适用：追求省心与音质的商业项目、少量高频生成

许可：OpenAI 服务条款，按字符计费

优点

  • 开箱即用的自然度与稳定性
  • 支持自然语言风格指令
  • 无需维护模型，适合生产

限制

  • 按量付费，长文本成本会累积
  • 文本离开本机
  • 不支持自定义音色克隆
内置音色 10 个 · 需要 API Key项目主页

ElevenLabs当前不可用

付费云端，克隆与情感表现力第一梯队

云端服务按量付费
为什么不可用
未配置 ELEVENLABS_API_KEY（在 services/tts-engine/.env 里填写后重启）
音质
速度

语言：中文、英语等 30+ 语言

隐私：文本会发送到 ElevenLabs；克隆需单独上传声音并获授权

适用：对表现力要求高的商业配音、英语内容

许可：ElevenLabs 服务条款，按字符/套餐计费

优点

  • 情感与自然度极强
  • 官方支持声音克隆（需单独授权流程）
  • 多语言覆盖广

限制

  • 价格较高
  • 克隆功能需在官方后台创建 voice_id
  • 文本离开本机，需处理数据合规

本项目的克隆走「声音档案 + 克隆引擎」；ElevenLabs 的 voice_id 可在参数里替换为你在官方后台创建的 id。

内置音色 5 个 · 需要 API Key项目主页

MiniMax 海螺当前不可用

国产付费云端，中文表现与克隆能力兼顾

云端服务按量付费
为什么不可用
未配置 MINIMAX_API_KEY（在 services/tts-engine/.env 里填写后重启）
音质
速度

语言：中文、英语等

隐私：文本会发送到 MiniMax；克隆需上传声音并获授权

适用：面向国内用户的中文配音、短视频口播

许可：MiniMax 服务条款，按字符计费（常有免费额度）

优点

  • 中文自然度好，音色库丰富
  • 国内访问快，常有免费额度
  • 官方支持声音克隆 API

限制

  • 需实名/企业认证与 API 套餐
  • 文本离开本机
  • 克隆音色需在官方后台创建
内置音色 8 个 · 需要 API Key项目主页

Azure Speech当前不可用

企业级云端，免费额度大，SSML 控制细

云端服务免费额度
为什么不可用
未配置 AZURE_SPEECH_KEY（在 services/tts-engine/.env 里填写后重启）
音质
速度

语言：中文、英语等 140+ 语言/变体

隐私：文本会发送到 Azure 区域端点；录音不会上传

适用：企业/合规场景、需要稳定 SLA 的中文播报

许可：Azure 服务条款；免费层每月 50 万字符（神经网络语音）

优点

  • 免费额度充足，适合原型与中小用量
  • SSML 支持风格、语速、音调
  • 合规与企业支持完善

限制

  • 需要 Azure 账号与区域配置
  • 不支持零样本克隆（自定义神经语音是另一套高价服务）
  • 文本离开本机
内置音色 7 个 · 需要 API Key项目主页

远程大模型（Qwen3-TTS / GPT-SoVITS / Chatterbox）当前不可用

把调研里的重型模型接到同一套 UI 上

云端服务免费声音克隆
为什么不可用
未配置 TTS_REMOTE_URL。把 Qwen3-TTS / GPT-SoVITS / Chatterbox 部署到 GPU 机器后，在 services/tts-engine/.env 填写其地址。
音质
速度

语言：取决于远端模型

隐私：参考录音与文本会发送到你配置的推理服务器

适用：追求克隆相似度上限、已有 GPU 资源的人

许可：取决于远端模型的代码与权重（Qwen3-TTS 代码 Apache-2.0；GPT-SoVITS MIT；Chatterbox MIT）

优点

  • 能用到 Qwen3-TTS / GPT-SoVITS / Chatterbox 等大模型
  • 同一套 UI 与声音档案，不用重做前端
  • 模型跑在 GPU 机器，本机只做业务

限制

  • 需要一台 GPU 机器或 Colab（本机 3.6 GB 内存跑不动）
  • 首次加载慢、并发有限
  • 远端代码需自行部署与维护

设置 TTS_REMOTE_URL 指向实现了相同 /synthesize 协议的服务器即可。本仓库提供部署示例与协议文档。

内置音色 1 个 · 需要参考录音项目主页

浏览器朗读（Web Speech）当前可用

零后端、零成本的即时试听方案

浏览器内置免费
音质
速度

语言：取决于操作系统安装的语音

隐私：由浏览器/操作系统决定；部分浏览器的语音合成可能联网

适用：写文案时的即时朗读、成本为零的兜底

许可：浏览器内置能力，无额外许可成本

优点

  • 无需服务端，打开网页即可听
  • 不消耗任何 API 额度
  • 适合快速检查文案节奏

限制

  • 无法直接导出音频文件
  • 音色数量/质量取决于系统
  • 跨浏览器行为不一致
内置音色 0 个项目主页