什麼是小型文字轉語音模型？
小型文字轉語音模型是緊湊型AI系統，專門將書面文字轉換為自然語音，且計算需求極低。它們利用高效的深度學習架構，生成高品質語音輸出，同時保持低延遲和資源使用。這項技術使開發人員和創作者能夠以前所未有的便捷性和經濟性將語音合成整合到應用程式中。它們促進創新，加速部署，並普及強大的語音合成工具，從虛擬助理到無障礙解決方案和內容創作，實現廣泛的應用。
FunAudioLLM/CosyVoice2-0.5B
CosyVoice 2 是一個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。該模型透過有限標量量化（FSQ）增強了語音標記碼本的利用率。在串流模式下，模型實現了150毫秒的超低延遲，同時保持了與非串流模式幾乎相同的合成品質。與1.0版本相比，發音錯誤率降低了30%-50%，MOS分數從5.4提高到5.53，並支援對情感和方言的細粒度控制。
FunAudioLLM/CosyVoice2-0.5B：超低延遲串流TTS
CosyVoice 2 是一個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。該模型透過有限標量量化（FSQ）增強了語音標記碼本的利用率，簡化了文字轉語音語言模型架構，並開發了一個支援不同合成場景的塊感知因果串流匹配模型。在串流模式下，模型實現了150毫秒的超低延遲，同時保持了與非串流模式幾乎相同的合成品質。與1.0版本相比，發音錯誤率降低了30%-50%，MOS分數從5.4提高到5.53，並支援對情感和方言的細粒度控制。該模型支援中文（包括方言：粵語、四川話、上海話、天津話等）、英語、日語、韓語，並支援跨語言和混合語言場景。僅0.5B參數，它為即時應用提供了卓越的效率。SiliconFlow上的定價：$7.15/M UTF-8位元組。
優點
- 串流模式下150毫秒的超低延遲。
- 發音錯誤率降低30%-50%。
- MOS分數從5.4提高到5.53。
缺點
- 可能需要針對特定用例進行微調。
- 情感控制的複雜性可能需要學習曲線。
我們為何喜愛它
- 它以超低延遲提供即時、高品質的語音合成，同時支援多種語言和方言——所有這些都包含在一個緊湊的0.5B參數套件中，非常適合資源受限的部署。
fishaudio/fish-speech-1.5
Fish Speech V1.5 是一個領先的開源文字轉語音（TTS）模型，採用創新的DualAR架構和雙自回歸變壓器設計。它支援多種語言，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TTS Arena的獨立評估中，該模型表現出色，ELO分數達到1339。
fishaudio/fish-speech-1.5：頂級多語言TTS
Fish Speech V1.5 是一個領先的開源文字轉語音（TTS）模型。該模型採用創新的DualAR架構，具有雙自回歸變壓器設計。它支援多種語言，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TTS Arena的獨立評估中，該模型表現出色，ELO分數達到1339。該模型在英語方面實現了3.5%的詞錯誤率（WER）和1.2%的字元錯誤率（CER），中文漢字的CER為1.3%。這種廣泛的訓練數據和創新架構的結合使其成為最可靠的小型TTS模型之一。SiliconFlow上的定價：$15/M UTF-8位元組。
優點
- 在TTS Arena中以ELO分數1339位居榜首。
- 創新的DualAR架構，提供卓越品質。
- 超過30萬小時的英語和中文訓練數據。
缺點
- 相較於其他小型模型，定價較高。
- 可能比超緊湊型替代方案需要更多的計算資源。
我們為何喜愛它
- 它是頂級的開源TTS模型，在多種語言中具有卓越的準確性，並由海量訓練數據和創新的雙自回歸架構支援。
IndexTeam/IndexTTS-2
IndexTTS2 是一個突破性的自回歸零樣本文字轉語音（TTS）模型，旨在解決大規模TTS系統中精確時長控制的挑戰。它支援兩種模式：一種明確指定生成標記數量以實現精確時長，另一種則自由生成語音。該模型實現了情感表達和說話者身份之間的分離，透過獨立的提示詞實現對音色和情感的獨立控制。
IndexTeam/IndexTTS-2：精確時長控制與零樣本卓越表現
IndexTTS2 是一個突破性的自回歸零樣本文字轉語音（TTS）模型，旨在解決大規模TTS系統中精確時長控制的挑戰，這在影片配音等應用中是一個顯著的限制。它引入了一種新穎、通用的語音時長控制方法，支援兩種模式：一種明確指定生成標記數量以實現精確時長，另一種則以自回歸方式自由生成語音。此外，IndexTTS2 實現了情感表達和說話者身份之間的分離，透過獨立的提示詞實現對音色和情感的獨立控制。為了增強高度情感表達中的語音清晰度，該模型整合了GPT潛在表示，並採用了一種新穎的三階段訓練範式。為了降低情感控制的門檻，它還具有基於文字描述的軟指令機制，透過微調Qwen3開發，以有效引導生成具有所需情感語氣的語音。實驗結果表明，IndexTTS2 在多個數據集上的詞錯誤率、說話者相似度和情感保真度方面均優於最先進的零樣本TTS模型。SiliconFlow上的定價：輸入和輸出均為$7.15/M UTF-8位元組。
優點
- 適用於影片配音應用的精確時長控制。
- 無需額外訓練的零樣本語音複製。
- 音色和情感的獨立控制。
缺點
- 高級功能配置更複雜。
- 可能需要理解雙模式操作。
我們為何喜愛它
- 它以精確的時長控制和零樣本能力徹底改變了TTS，非常適合影片配音以及需要獨立控制情感和語音特徵的應用。
TTS模型比較
在此表格中，我們比較了2025年領先的小型文字轉語音模型，每個模型都具有獨特的優勢。對於超低延遲串流，FunAudioLLM/CosyVoice2-0.5B 提供卓越的即時性能。對於頂級多語言品質，fishaudio/fish-speech-1.5 提供業界領先的準確性。對於精確時長控制和零樣本語音複製，IndexTeam/IndexTTS-2 提供突破性的功能。這種並排視圖有助於您為特定的語音合成目標選擇合適的工具。
| 編號 | 模型 | 開發者 | 模型類型 | 定價 (SiliconFlow) | 核心優勢 |
|---|---|---|---|---|---|
| 1 | FunAudioLLM/CosyVoice2-0.5B | FunAudioLLM | 文字轉語音 | $7.15/M UTF-8位元組 | 超低150毫秒延遲 |
| 2 | fishaudio/fish-speech-1.5 | fishaudio | 文字轉語音 | $15/M UTF-8位元組 | 頂級ELO 1339 |
| 3 | IndexTeam/IndexTTS-2 | IndexTeam | 文字轉語音 | $7.15/M UTF-8位元組 | 精確時長控制 |
常見問題
我們2025年的三大推薦是FunAudioLLM/CosyVoice2-0.5B、fishaudio/fish-speech-1.5和IndexTeam/IndexTTS-2。這些模型都因其創新性、效率以及在文字轉語音合成中解決挑戰的獨特方法而脫穎而出，同時保持了適合實際部署的小型模型尺寸。
我們的深入分析顯示，針對不同需求有幾個領先者。FunAudioLLM/CosyVoice2-0.5B 是需要超低延遲的即時串流應用的首選。對於需要最高品質多語言合成且具有經過驗證的基準性能的創作者，fishaudio/fish-speech-1.5 是最佳選擇。對於影片配音以及需要精確時長控制和零樣本語音複製的應用，IndexTeam/IndexTTS-2 以其突破性功能脫穎而出。