Coqui XTTS-v2 与 SuperClonica：Coqui TTS 的替代方案
XTTS-v2 是 Coqui 的声音克隆模型，随开源库 Coqui TTS 一起发布。只要一小段参考音频，它就能用这个声音说 17 种语言，包括中文，还能把一个声音带到另一种语言里。
如果今天打算在它上面做项目，有两点要知道：原仓库 coqui-ai/TTS 已不再维护，XTTS 权重的许可证也不允许商用。如果您在找 Coqui TTS 的替代方案，下面是 SuperClonica 的对比情况。需要先说明的是，Supertonic 3 目前不支持中文。XTTS 不在我们的对比表中，我们不给出它的速度或音质评分。
XTTS-v2 能做什么
XTTS-v2 只需几秒音频就能克隆声音：模型卡说 6 秒，文档说 3 秒。支持英语、西班牙语、法语、德语、意大利语、葡萄牙语、波兰语、土耳其语、俄语、荷兰语、捷克语、阿拉伯语、中文、日语、匈牙利语、韩语和印地语，输出 24 kHz 音频，并能从参考音频迁移情绪和风格。
它支持流式合成，作者称延迟低于 200 毫秒，但没有说明硬件。文档中的示例都在 CUDA 上运行，并附带微调代码。
XTTS 许可证：为什么不能商用
XTTS-v2 的权重采用 Coqui Public Model License。它只允许非商业使用，而且不仅约束模型，也约束生成的音频：只要您因为模型或其输出直接或间接获得报酬，就超出了许可范围。企业只能用于测试、评估和非商业研究。
Coqui TTS 的代码本身是 MPL-2.0，所以障碍在权重，不在代码。Supertonic 3 采用 OpenRAIL-M：免授权费，没有“仅限非商业”条款，而是列出禁止用途。在 SuperClonica 购买的音色用于您自己的项目，不能转售。
Coqui TTS 的现状
原仓库 coqui-ai/TTS 已不再维护。Idiap 维护着一个分支，在 PyPI 上以 coqui-tts 发布，提供 Linux、macOS 和 Windows 的预编译包，并加入了克隆音色缓存等新功能。XTTS-v2 的权重和许可证没有变化。
每次请求都克隆，还是训练好的音色文件
XTTS 每次请求都要从参考音频重建声音，结果取决于您给的音频。SuperClonica 则把声音一次性训练成 Supertonic 3 音色文件：一段 5 到 10 秒、带准确文本的干净录音，加上您自己的 NVIDIA 显卡，不收费。也可以请作者定制，或在目录里挑选。但请注意，这些音色只能说 Supertonic 3 支持的 31 种语言，不含中文。
之后这个文件在普通 CPU 上离线运行。按我们的估算，SuperClonica 在 8 核台式机 CPU 上是实时速度的 6.4–9.7 倍，一句 10 秒的话约 1.0–1.6 秒。
什么时候选 XTTS-v2 更好
商业项目、没有 GPU 的电脑、想把音色作为文件保存，选 SuperClonica。以下情况 XTTS-v2 仍然适合：
- 个人、研究和业余项目，非商业许可证不构成障碍。
- 几秒音频即时克隆，不需要训练。
- 中文语音合成，Supertonic 3 目前不支持中文。
- 已经基于 Coqui TTS 库搭好的流程。