什么是小型文本转语音模型？
小型文本转语音模型是紧凑型AI系统，专门用于将书面文本转换为自然语音，同时对计算资源的需求极低。它们利用高效的深度学习架构，在保持低延迟和资源占用的同时，生成高质量的语音输出。这项技术使开发者和创作者能够以前所未有的便捷性和经济性将语音合成集成到应用程序中。它们促进创新，加速部署，并使强大的语音合成工具普及化，从而支持从虚拟助手到无障碍解决方案和内容创作等广泛应用。
FunAudioLLM/CosyVoice2-0.5B
CosyVoice 2是一款基于大型语言模型的流式语音合成模型，采用统一的流式/非流式框架设计。该模型通过有限标量量化（FSQ）增强了语音令牌码本的利用率。在流式模式下，模型实现了150毫秒的超低延迟，同时保持了与非流式模式几乎相同的合成质量。与1.0版本相比，发音错误率降低了30%-50%，MOS分数从5.4提高到5.53，并支持对情感和方言进行细粒度控制。
FunAudioLLM/CosyVoice2-0.5B：超低延迟流式TTS
CosyVoice 2是一款基于大型语言模型的流式语音合成模型，采用统一的流式/非流式框架设计。该模型通过有限标量量化（FSQ）增强了语音令牌码本的利用率，简化了文本转语音语言模型架构，并开发了一个支持不同合成场景的块感知因果流式匹配模型。在流式模式下，模型实现了150毫秒的超低延迟，同时保持了与非流式模式几乎相同的合成质量。与1.0版本相比，发音错误率降低了30%-50%，MOS分数从5.4提高到5.53，并支持对情感和方言进行细粒度控制。该模型支持中文（包括方言：粤语、四川话、上海话、天津话等）、英语、日语、韩语，并支持跨语言和混合语言场景。它仅有0.5B参数，为实时应用提供了卓越的效率。SiliconFlow上的定价：$7.15/M UTF-8字节。
优点
- 流式模式下150毫秒的超低延迟。
- 发音错误率降低30%-50%。
- MOS分数从5.4提高到5.53。
缺点
- 可能需要针对特定用例进行微调。
- 情感控制的复杂性可能存在学习曲线。
我们喜爱它的理由
- 它以超低延迟提供实时、高质量的语音合成，同时支持多种语言和方言——所有这些都封装在一个紧凑的0.5B参数包中，非常适合资源受限的部署。
fishaudio/fish-speech-1.5
Fish Speech V1.5是一款领先的开源文本转语音（TTS）模型，采用创新的DualAR架构和双自回归Transformer设计。它支持多种语言，拥有超过30万小时的英语和中文训练数据，以及超过10万小时的日语训练数据。在TTS Arena的独立评估中，该模型表现出色，ELO评分为1339。
fishaudio/fish-speech-1.5：顶级多语言TTS
Fish Speech V1.5是一款领先的开源文本转语音（TTS）模型。该模型采用创新的DualAR架构，具有双自回归Transformer设计。它支持多种语言，拥有超过30万小时的英语和中文训练数据，以及超过10万小时的日语训练数据。在TTS Arena的独立评估中，该模型表现出色，ELO评分为1339。该模型在英语方面实现了3.5%的词错误率（WER）和1.2%的字符错误率（CER），中文方面实现了1.3%的字符错误率（CER）。广泛的训练数据和创新架构的结合使其成为最可靠的小型TTS模型之一。SiliconFlow上的定价：$15/M UTF-8字节。
优点
- 在TTS Arena中以1339的ELO评分位居榜首。
- 创新的DualAR架构，提供卓越品质。
- 超过30万小时的英语和中文训练数据。
缺点
- 与其他小型模型相比定价更高。
- 可能比超紧凑型替代方案需要更多的计算资源。
我们喜爱它的理由
- 它是排名第一的开源TTS模型，在多种语言中具有卓越的准确性，并由海量训练数据和创新的双自回归架构支持。
IndexTeam/IndexTTS-2
IndexTTS2是一款突破性的自回归零样本文本转语音（TTS）模型，旨在解决大规模TTS系统中精确时长控制的挑战。它支持两种模式：一种明确指定生成的令牌数量以实现精确时长，另一种则自由生成语音。该模型实现了情感表达和说话人身份之间的解耦，通过单独的提示词实现对音色和情感的独立控制。
IndexTeam/IndexTTS-2：精确时长控制与零样本卓越表现
IndexTTS2是一款突破性的自回归零样本文本转语音（TTS）模型，旨在解决大规模TTS系统中精确时长控制的挑战，这是视频配音等应用中的一个显著限制。它引入了一种新颖通用的语音时长控制方法，支持两种模式：一种明确指定生成的令牌数量以实现精确时长，另一种则以自回归方式自由生成语音。此外，IndexTTS2实现了情感表达和说话人身份之间的解耦，通过单独的提示词实现对音色和情感的独立控制。为了增强高情感表达中的语音清晰度，该模型结合了GPT潜在表示，并采用了新颖的三阶段训练范式。为了降低情感控制的门槛，它还具有基于文本描述的软指令机制，通过微调Qwen3开发，以有效指导生成具有所需情感语气的语音。实验结果表明，IndexTTS2在多个数据集上的词错误率、说话人相似度和情感保真度方面均优于最先进的零样本TTS模型。SiliconFlow上的定价：输入和输出均为$7.15/M UTF-8字节。
优点
- 适用于视频配音应用的精确时长控制。
- 无需额外训练的零样本语音克隆。
- 音色和情感的独立控制。
缺点
- 高级功能配置更复杂。
- 可能需要理解双模式操作。
我们喜爱它的理由
- 它通过精确时长控制和零样本能力彻底改变了TTS，非常适合视频配音以及需要独立控制情感和语音特征的应用。
TTS模型对比
在此表格中，我们对比了2025年领先的小型文本转语音模型，每个模型都拥有独特的优势。对于超低延迟流式传输，FunAudioLLM/CosyVoice2-0.5B提供了卓越的实时性能。对于顶级多语言质量，fishaudio/fish-speech-1.5提供了行业领先的准确性。对于精确时长控制和零样本语音克隆，IndexTeam/IndexTTS-2提供了突破性的能力。这种并排视图有助于您为特定的语音合成目标选择合适的工具。
| 序号 | 模型 | 开发者 | 模型类型 | 定价 (SiliconFlow) | 核心优势 |
|---|---|---|---|---|---|
| 1 | FunAudioLLM/CosyVoice2-0.5B | FunAudioLLM | 文本转语音 | $7.15/M UTF-8字节 | 超低150毫秒延迟 |
| 2 | fishaudio/fish-speech-1.5 | fishaudio | 文本转语音 | $15/M UTF-8字节 | ELO评分1339，位居榜首 |
| 3 | IndexTeam/IndexTTS-2 | IndexTeam | 文本转语音 | $7.15/M UTF-8字节 | 精确时长控制 |
常见问题
我们2025年的三大推荐是FunAudioLLM/CosyVoice2-0.5B、fishaudio/fish-speech-1.5和IndexTeam/IndexTTS-2。这些模型都因其创新性、效率以及在解决文本转语音合成挑战方面的独特方法而脱颖而出，同时保持了适合实际部署的小型模型尺寸。
我们的深入分析显示，针对不同需求有几个领先模型。FunAudioLLM/CosyVoice2-0.5B是需要超低延迟的实时流媒体应用的首选。对于需要最高质量多语言合成并具有经过验证的基准性能的创作者，fishaudio/fish-speech-1.5是最佳选择。对于视频配音以及需要精确时长控制和零样本语音克隆的应用，IndexTeam/IndexTTS-2凭借其突破性能力表现出色。