2026 年适合本地运行的免费语音合成模型

如何挑选免费的 TTS 模型

四个问题就能很快缩小范围。

• 语言：模型是否支持您需要的语言？比如需要中文，就要排除 Supertonic 3。
• 许可证：可以免费下载，不等于可以免费商用。代码和权重的条款都要看。
• 硬件：普通 CPU，还是有足够显存的显卡？
• 音色：预设音色够用，还是需要根据录音得到特定的声音？

能在 CPU 上运行的小型免费语音合成模型

Supertonic 3 来自 Supertone，约 9900 万参数，通过 ONNX Runtime 运行，按作者的说法不需要 GPU。支持 31 种语言，但不支持中文，采用 OpenRAIL-M 许可证：免版税，附有禁止用途清单。它自带预设音色，更多免费和付费音色在 SuperClonica 音色市场，SuperClonica 引擎在 CPU 上运行它们平均快 61%。

Kokoro-82M 有 8200 万参数，采用 Apache 2.0 许可证，提供 8 种语言的 54 个预设音色，其中有 8 个普通话音色。它最擅长英语：官方音色列表给普通话和日语音色的评分较低。官方版本不能克隆声音。可以在 Python 中运行，也可以通过 kokoro-js 在浏览器中运行。

Piper 是为树莓派等小型设备打造的快速本地引擎，也是 Home Assistant 使用的语音。每个音色是针对一种语言的 ONNX 模型；列表覆盖 39 种语言，包括中文，但没有日语和韩语。当前引擎采用 GPL-3.0，每个音色有各自的许可证。

Resemble AI 的 Chatterbox Nano 是 1.1 亿参数的英语模型，采用 MIT 许可证。Resemble AI 称它在 8 个 CPU 核心上比实时快 3 倍；它能根据一段录音克隆声音，并在每个生成的文件中加入听不见的 PerTh 水印。

用于声音克隆的大型模型

这些模型只需几秒音频就能克隆声音。按我们的估算，它们在台式机 CPU 上都比实时慢，所以更适合在显卡上运行。

• Qwen3-TTS：Apache 2.0，有 0.6B 和 1.7B 两种规模，支持包括中文在内的 10 种语言，3 秒克隆声音，还能根据文字描述设计音色。在 CPU 上约比实时慢 1–2 倍（0.6B）。
• VoxCPM 2：Apache 2.0，20 亿参数，支持 30 种语言以及粤语、四川话等中文方言，输出 48 kHz 音频，需要约 8 GB 显存。在 CPU 上约比实时慢 2–4 倍。
• Chatterbox Multilingual V3：MIT，5 亿参数，支持包括中文在内的 23 种语言，可根据一段录音克隆；示例在显卡上运行。
• Fish Audio S2 Pro：在我们的表格中音质评分最高，支持 80 多种语言，包括中文；但在 CPU 上比实时慢 4–10 倍，商用需要另外取得 Fish Audio 的许可。

免费，但不能商用

有几款热门模型开放代码，但权重仅限非商业用途。适合实验和个人项目，不适合收费产品。

• OmniVoice：支持 646 种语言，用 3–10 秒音频即可克隆。代码采用 Apache 2.0，预训练模型采用 CC-BY-NC。
• F5-TTS：中英文零样本克隆。代码采用 MIT，权重采用 CC-BY-NC，在我们的表格中 CPU 速度最慢。
• Coqui XTTS-v2：支持包括中文在内的 17 种语言，可用短录音克隆。Coqui Public Model License 也约束生成的音频，原始仓库已不再维护。

该选哪款免费语音合成模型

下方链接的每个对比页面都列出了该模型的资料来源和我们的速度估算。

• 中文语音：在显卡上用 Qwen3-TTS 或 VoxCPM 2；Piper 和 Kokoro 也有中文音色。
• 在普通电脑上为 31 种语言之一做旁白、游戏和应用配音：Supertonic 3，配合音色市场里的音色或用您的录音训练的音色。
• 许可证最宽松的英语预设音色：Kokoro。
• 树莓派和 Home Assistant：Piper。
• 在显卡上即时克隆且允许商用：Qwen3-TTS、VoxCPM 2 或 Chatterbox。
• 研究和个人实验：以上都可以，包括 OmniVoice、F5-TTS 和 XTTS-v2。