Piper TTS 与 SuperClonica：小设备还是定制音色
Piper 是一个快速的本地神经网络语音合成系统，以 Home Assistant 的语音和 NVDA 屏幕阅读器的语音选项而为人所知。它的音色用 VITS 训练并导出为 ONNX，原项目专门针对树莓派 4 做了优化。2025 年 10 月原仓库已归档，开发转到 Open Home Foundation 旗下的 OHF-Voice/piper1-gpl 继续进行。
SuperClonica 同样在本地合成语音，但侧重点不同：Supertonic 3 音色就是一个 JSON 文件，有作者音色目录，也能定制音色。需要注意的是，Supertonic 3 目前不支持中文，而 Piper 有中文音色。Piper 不在我们的对比表中，本页只引用其官方仓库的事实，并说明各自适合的场景。
Piper 的工作方式
每个 Piper 音色都是一个独立的 ONNX 模型，附带 JSON 配置，针对一种语言训练。Piper 内置 espeak-ng，负责把文本转成音素。当前版本用 pip install piper-tts 安装，提供命令行工具、Python API、HTTP 服务器和 C/C++ 库；可选通过 CUDA 使用 GPU 加速。
音色列表覆盖 39 种语言，从阿拉伯语、加泰罗尼亚语到越南语、威尔士语，其中包括中文（zh_CN）、俄语、德语、法语、西班牙语和葡萄牙语，但没有日语和韩语。
许可证：引擎和每个音色分别看
当前的 piper1-gpl 引擎采用 GPL-3.0，已归档的原版是 MIT。如果要把这个库嵌入闭源产品，这一点很关键。音色另有各自的条款：音色列表要求阅读每个音色的 MODEL_CARD，提醒部分音色的许可证有限制，并说明 Piper 面向个人使用和语音合成研究。
Supertonic 3 采用 OpenRAIL-M，一份免授权费的模型许可证，附有禁止用途清单。在 SuperClonica 购买的音色用于您自己的项目，不能转售。
做一个新音色：Piper 和 SuperClonica 的训练
Piper 不能用一小段录音克隆声音。新音色意味着用带文本标注的录音数据集训练。官方指南建议从现有检查点微调；大多数官方音色是在 24–48 GB 显存的显卡上训练的，也有用户用 8 GB 显存成功训练。
在 SuperClonica，一段 5 到 10 秒、带准确文本的干净录音就可以开始。训练在您自己的 NVIDIA 显卡上进行，您可以对比各个检查点，最终的 JSON 免费下载。没有显卡的话，可以请作者定制，或者在目录里挑带试听的现成音色。不过要记住，这些音色只能说 Supertonic 3 支持的语言，不含中文。
速度与硬件
Piper 是为小设备打造的，这也是它最大的优势。我们没有实测过它，也不在表中给它打分。
Supertonic 3 需要约 400 MB 的基础模型和引擎，常见运行环境是台式机、笔记本、服务器，以及通过 ONNX Runtime Web 运行的浏览器；我们没有在树莓派上的测试数据。在 8 核台式机 CPU 上，我们估算 SuperClonica 是实时速度的 6.4–9.7 倍，引擎在 CPU 上平均比 Supertonic 3 标准客户端快 61%。
什么时候选 Piper 更好
如果您要的音色不在 Piper 的列表里，需要日语或韩语，或者想为项目定制音色，SuperClonica 更合适。以下情况选 Piper：
- 树莓派等小设备、智能家居语音助手和 Home Assistant。
- 中文，以及加泰罗尼亚语、威尔士语、波斯语、哈萨克语、尼泊尔语、斯瓦希里语等 Supertonic 3 不支持的语言。
- 需要 C/C++ 库或现成的 HTTP 服务器接入已有系统。
- 项目能接受 GPL-3.0 和所选音色的许可证。