2026 免费开源 TTS 方案完全对比：从本地到云端

摘要：本文整理当前主流可本地部署开源TTS，区分轻量CPU可运行、GPU高质量声音克隆、国内中文开源、在线封装工具；包含许可证、硬件需求、优缺点、可直接访问的官方GitHub/HuggingFace链接，方便选型、二次开发、本地配音、有声书、视频旁白场景。
⚠️法律提示：声音克隆技术请勿在未获得本人授权下复刻他人语音；商用务必仔细核对项目License协议。

1. 轻量CPU可运行（低配笔记本/NAS，无需GPU）

1.1 Kokoro‑82M

• 简介：hexgrad开源轻量级TTS，仅82M参数，模型150‑320MB，输出24kHz音频；支持中英混读，50+音色；支持PyTorch/ONNX/WebGPU，CPU接近实时推理，Docker一键WebUI。
• 许可证：Apache‑2.0，允许商用
• 硬件：普通x86‑CPU即可，Apple Silicon优化优秀
• 优点：体积极小、速度快、离线完全本地、生态成熟，适合旁白、有声书、批量配音
• 缺点：无声音克隆；中文多音字、生僻字偶有误读；情绪表现力有限
• 官方开源&下载地址
  • GitHub： https://github.com/hexgrad/kokoro
  • HuggingFace原版： https://huggingface.co/hexgrad/Kokoro-82M
  • 中文版本： https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh
  • Community ONNX实现： https://github.com/thewh1teagle/kokoro-onnx

1.2 Piper‑TTS(Rhasspy)

• 简介：VITS架构，高度CPU优化，嵌入式友好，树莓派/NAS可运行；多语言预训练模型。
• 许可证：MIT，允许商用
• 硬件：CPU，内存1‑2GB
• 优点：极致轻量化，资源占用低，适合嵌入式设备
• 缺点：音色数量少，自然度一般，几乎无情绪
• 官方开源&下载地址
  • GitHub： https://github.com/rhasspy/piper
  • 预训练音色仓库： https://github.com/rhasspy/piper-voices

1.3 MeloTTS

• 简介：基于VITS2+BERT，几百MB模型，CPU实时推理；10国语言，中英混合朗读表现优秀。
• 许可证：MIT，允许商用
• 硬件：CPU
• 优点：中英混读强，部署简单
• 缺点：中文内置音色少，韵律普通，不支持声音克隆
• 官方开源&下载地址
  • GitHub： https://github.com/myshell-ai/MeloTTS
  • HuggingFace： https://huggingface.co/myshell-ai/melotts

2. 高质量支持声音克隆（N卡GPU，4‑8G显存起步）

这类项目支持零样本声音克隆，需要NVIDIA显卡，CPU推理速度极慢不推荐。

2.1 Coqui‑TTS XTTS‑v2

• 简介：开源TTS标杆，6‑15秒参考音频即可克隆；支持17种语言含中文；大量社区WebUI。
• 许可证：CPL‑2.0；大企业商用需要单独授权，小微企业/个人可免费使用
• 硬件：最低4GB显存，推荐8GB+
• 优点：生态完善，多语言混合朗读成熟
• 缺点：中文效果弱于英文；长文本断句偶发异常；克隆容易产生AI杂音
• 官方开源&下载地址
  • GitHub： https://github.com/coqui-ai/TTS
  • HuggingFace： https://huggingface.co/coqui/XTTS-v2

2.2 Fish‑Speech（Fish‑TTS）

• 简介：LLM架构TTS，中文质量优秀；长文本有声书效果好；零样本克隆，支持参考音频控制情绪。
• 许可证：Fish Audio Research License；商业使用需要联系官方授权
• 硬件：6‑8GB显存起步，mini版本可降低显存需求
• 优点：中文韵律自然，长文本表现好，社区活跃
• 缺点：CPU速度极慢；模型体积大，显存压力高
• 官方开源&下载地址
  • GitHub： https://github.com/fishaudio/fish-speech
  • HuggingFace： https://huggingface.co/fishaudio/fish-speech-1.2

2.3 CosyVoice 3.0（阿里FunAudioLLM）

• 简介：国内开源标杆，支持普通话、粤语、多方言；支持音色复刻、局部读音修改，流式输出。
• 许可证：Apache‑2.0，部分权重仅限非商业，商用务必阅读协议
• 硬件：0.5B版本需要约8GB显存
• 优点：方言能力强，中文合成质量高
• 缺点：低配机器无法运行
• 官方开源&下载地址
  • GitHub： https://github.com/FunAudioLLM/CosyVoice
  • HuggingFace： https://huggingface.co/FunAudioLLM/CosyVoice-0.5B

3. 国内开源中文TTS项目

3.1 Qwen3‑TTS（阿里千问）

• 简介：支持声音克隆、音色设计；多角色对话，中文稳定性好，错读少。
• 许可证：Apache‑2.0
• 硬件：0.6B版本最低4GB显存
• 优点：中文稳定性好，支持vLLM加速、WebUI
• 缺点：大模型，无法CPU流畅运行
• 官方开源&下载地址
  • GitHub： https://github.com/QwenLM/Qwen3-TTS
  • HuggingFace： https://huggingface.co/Qwen/Qwen3-TTS-0.6B-CustomVoice

3.2 VoxCPM2（OpenBMB）

• 简介：输出48kHz高音质音频；支持参考音频克隆，文字描述生成全新音色；支持30种语言。
• 许可证：Apache‑2.0，允许商用
• 硬件：2B参数，推荐RTX3090/4090，显存≥16GB
• 优点：音质高，支持文本生成全新音色
• 缺点：显存占用高
• 官方开源&下载地址
  • GitHub： https://github.com/OpenBMB/VoxCPM
  • HuggingFace： https://huggingface.co/OpenBMB/VoxCPM2

3.3 MOSS‑TTS（复旦OpenMOSS）

• 简介：原生48kHz立体声输出；支持最长10分钟长文本一次性生成，零样本克隆；31种语言。
• 许可证：Apache‑2.0，允许商用
• 硬件：高显存显卡
• 优点：长文本友好，立体声输出
• 缺点：显存占用较高
• 官方开源&下载地址
  • GitHub： https://github.com/OpenMOSS/MOSS-TTS
  • HuggingFace： https://huggingface.co/OpenMOSS/MOSS-TTS-Local-v1.5

4. 在线封装TTS（非本地，联网调用）

Edge‑TTS（微软Edge语音封装）

• 简介：Python封装调用微软云端TTS，大量高质量中文音色晓晓、云希等。没有本地模型，必须联网，文本上传微软服务器。
• 许可证：MIT（封装代码），底层语音能力遵循微软服务条款
• 硬件：仅Python环境，不需要GPU
• 优点：音质优秀，开箱即用，无需下载大模型
• 缺点：不能离线；受微软接口限制；不适合大规模商用
• 开源地址： https://github.com/rany2/edge-tts

5. 选型速查表

6. 部署踩坑说明

1. License优先：部署商用前，阅读仓库LICENSE文件，部分模型代码开源，但权重有商业限制。
2. 声音克隆合规：只克隆本人拥有授权的语音；未经许可复刻他人声音会侵犯人格权。
3. 系统依赖：Kokoro、Piper需要系统安装espeak‑ng；Windows需要手动安装msi包；Linux通过apt安装。
4. 推理加速：CPU优先选择ONNX量化版本；N卡GPU优先开启CUDA；Apple Silicon使用MPS加速。
5. 长文本处理：长稿件建议做文本分段，避免内存溢出；优先使用支持流式输出的模型。

补充：大部分项目社区都有第三方Gradio WebUI、Docker镜像，新手优先使用Docker方式快速体验，避免复杂环境配置。

📖 延伸阅读

• 📰 本刊杂志 — 每日 AI 科技与自由生活指南
• 🔧 Genspark GenOffice 上手 — 同刊免费办公套件
• 🔧 freellmapi：16 家免费 API 聚合 — 月省 17 亿 Token
• 🔧 Gemini 免费 API 上手指南 — 1M 上下文免费

🔗 这个工具今天就能用：pip install edge-tts，5 分钟生成你的第一段 AI 配音。

最后更新：2026-08-05