什麼是開源文字轉語音模型？
開源文字轉語音模型是專門的AI系統，能將書面文字轉換為聽起來自然的真人語音。它們利用先進的深度學習架構和神經網路，將文字輸入轉換為具有真實發音、語調和情感表達的高品質音訊輸出。這項技術使開發人員和創作者能夠以前所未有的自由度構建語音應用程式、輔助工具和互動體驗。它們促進協作、加速創新，並使強大的語音合成工具普及化，從語音助理到大型企業通訊解決方案，實現了廣泛的應用。
Fish Speech V1.5
Fish Speech V1.5 是一款領先的開源文字轉語音（TTS）模型，採用創新的 DualAR 架構和雙自迴歸變壓器設計。它支援多種語言，其中英語和中文的訓練數據超過30萬小時，日語超過10萬小時。在獨立的 TTS Arena 評估中，它取得了1339的卓越 ELO 分數，英語的詞錯誤率為3.5%，字元錯誤率為1.2%。
Fish Speech V1.5：採用 DualAR 架構的多語言卓越表現
Fish Speech V1.5 是一款領先的開源文字轉語音（TTS）模型，採用創新的 DualAR 架構和雙自迴歸變壓器設計。它支援多種語言，其中英語和中文的訓練數據超過30萬小時，日語超過10萬小時。在獨立的 TTS Arena 評估中，它取得了1339的卓越 ELO 分數，英語的詞錯誤率為3.5%，字元錯誤率為1.2%，中文的字元錯誤率為1.3%。
優點
- 創新的 DualAR 架構，採用雙自迴歸變壓器。
- 在 TTS Arena 中表現卓越，ELO 分數達1339。
- 豐富的多語言訓練數據（超過30萬小時）。
缺點
- 在 SiliconFlow 上的定價較高，為每百萬 UTF-8 位元組15美元。
- 可能需要技術專業知識才能實現最佳實施。
我們為何喜愛它
- 它提供業界領先的多語言語音合成，具有經過驗證的基準性能和創新的 DualAR 架構，以實現卓越品質。
CosyVoice2-0.5B
CosyVoice 2 是一款基於大型語言模型的串流語音合成模型，採用統一的串流/非串流框架設計。它在串流模式下實現了150毫秒的超低延遲，同時保持與非串流模式相同的合成品質。與1.0版本相比，發音錯誤減少了30-50%，MOS 分數從5.4提高到5.53，並能對情感和方言進行細緻控制。
CosyVoice2-0.5B：超低延遲串流 TTS
CosyVoice 2 是一款基於大型語言模型的串流語音合成模型，採用統一的串流/非串流框架設計。它透過有限標量量化（FSQ）增強語音標記碼本的利用率，並開發了一個塊感知因果串流匹配模型。在串流模式下，它實現了150毫秒的超低延遲，同時保持與非串流模式相同的合成品質。與1.0版本相比，發音錯誤減少了30-50%，MOS 分數從5.4提高到5.53。該模型支援中文（包括方言：粵語、四川話、上海話、天津話）、英語、日語、韓語和跨語言場景。
優點
- 串流模式下150毫秒的超低延遲。
- 與1.0版本相比，發音錯誤減少30-50%。
- MOS 分數從5.4提高到5.53。
缺點
- 較小的模型尺寸（0.5B 參數）可能會限制複雜性。
- 串流品質取決於網路狀況。
我們為何喜愛它
- 它以150毫秒的延遲徹底改變了即時語音合成，同時保持卓越品質並支援多種語言和方言。
IndexTTS-2
IndexTTS2 是一款突破性的自迴歸零樣本文字轉語音模型，專為大規模 TTS 系統中的精確持續時間控制而設計。它支援兩種模式：用於精確持續時間的明確標記規範和自由自迴歸生成。該模型實現了情感表達和說話者身份之間的分離，透過獨立的提示實現對音色和情感的獨立控制，並增強了語音清晰度。
IndexTTS-2：具有精確持續時間控制的零樣本 TTS
IndexTTS2 是一款突破性的自迴歸零樣本文字轉語音模型，解決了大規模 TTS 系統中精確持續時間控制的挑戰，這對於影片配音等應用至關重要。它支援兩種模式：用於精確持續時間的明確標記規範和自由自迴歸生成。該模型實現了情感表達和說話者身份之間的分離，透過獨立的提示實現對音色和情感的獨立控制。它結合了 GPT 潛在表示，並利用一種新穎的三階段訓練範式來增強語音清晰度。基於文字描述的軟指令機制，透過微調 Qwen3 開發，引導情感語氣生成。實驗結果表明，IndexTTS2 在詞錯誤率、說話者相似度和情感保真度方面優於最先進的零樣本 TTS 模型。
優點
- 適用於影片配音應用的精確持續時間控制。
- 對音色和情感表達的獨立控制。
- 具有卓越說話者相似度的零樣本能力。
缺點
- 在 SiliconFlow 上的輸入定價為每百萬 UTF-8 位元組7.15美元。
- 複雜的架構可能需要進階技術知識。
我們為何喜愛它
- 它開創了零樣本 TTS 中的精確持續時間控制和情感分離，使其非常適合專業影片配音和富有表現力的語音應用。
文字轉語音模型比較
在此表格中，我們比較了2025年領先的開源 TTS 模型，每個模型都具有獨特的優勢。對於多語言卓越表現，Fish Speech V1.5 提供業界領先的性能。對於即時應用，CosyVoice2-0.5B 提供超低延遲串流。對於精確控制，IndexTTS-2 提供具有持續時間精確度的零樣本能力。這種並排視圖可幫助您為特定的語音合成需求選擇合適的工具。
| 編號 | 模型 | 開發者 | 子類型 | 定價 (SiliconFlow) | 核心優勢 |
|---|---|---|---|---|---|
| 1 | Fish Speech V1.5 | fishaudio | 文字轉語音 | 每百萬 UTF-8 位元組15美元 | 採用 DualAR 的多語言卓越表現 |
| 2 | CosyVoice2-0.5B | FunAudioLLM | 文字轉語音 | 每百萬 UTF-8 位元組7.15美元 | 超低延遲串流（150毫秒） |
| 3 | IndexTTS-2 | IndexTeam | 文字轉語音 | 每百萬 UTF-8 位元組7.15美元 | 具有持續時間控制的零樣本 |
常見問題
我們2025年的三大推薦是 Fish Speech V1.5、CosyVoice2-0.5B 和 IndexTTS-2。這些模型各自在創新、性能以及解決文字轉語音合成、多語言支援和即時生成挑戰的獨特方法方面脫穎而出。
我們的深入分析顯示，針對不同需求有幾個領先的模型。Fish Speech V1.5 是需要最高品質並具有經過驗證的基準性能的多語言應用的首選。CosyVoice2-0.5B 在具有150毫秒延遲的即時串流應用中表現出色。IndexTTS-2 非常適合影片配音以及需要精確持續時間控制和情感表達的應用。