指南

CosyVoice、IndexTTS 与 Spark-TTS 的替代方案

CosyVoice、IndexTTS 和 Spark-TTS 是基于大语言模型思路的开源语音模型中最强的一批：只需一段音频就能模仿声音，能遵循情感指令，中文表现尤为出色。它们都是大模型，通常在 NVIDIA 显卡上运行，支持的语言列表较短。请注意：Supertonic 3 暂不支持中文，可朗读英语、日语、韩语等 31 种语言。

免费的 SuperClonica 引擎在普通处理器上以 31 种语言运行更小巧的 Supertonic 3 模型，并提供现成声音的目录。本指南如实比较它们，也说明在哪些情况下三者之一是更好的选择。

浏览声音 安装 SuperClonica 引擎

这三个模型擅长什么

对于中文、各地方言以及根据片段即时克隆，它们都是出色的工具。

  • Fun-CosyVoice 3.0 支持中文、英语、日语、韩语、德语、西班牙语、法语、意大利语和俄语 9 种语言，以及 18 种以上的中文方言，并能遵循情感和语速指令。
  • IndexTTS-2.5 可根据一段参考音频克隆声音，支持中文、英语、日语、西班牙语和阿拉伯语，并能精细控制情感。
  • Spark-TTS 支持中文和英语，并能在两种语言之间克隆声音。
  • 许可各不相同：CosyVoice 采用 Apache 2.0，IndexTTS 采用 bilibili Model Use License Agreement；商用前请逐一确认每个模型。

免费对比音色

在任意声音页面粘贴一句你用其中一个模型生成过的句子，30 到 100 个字符，选择语言并点击生成按钮。几秒后即可对比，无需注册。

SuperClonica 带来的变化

文本按原样朗读，相同的 seed 会重现同一条录音，让长项目保持一致。

  • 31 种语言，包括葡萄牙语、波兰语、荷兰语、土耳其语、乌克兰语、印地语、印尼语和越南语；不包括中文。
  • 在普通处理器上运行：我们的测试中，短句在 Ryzen 7 5800X 的四个线程上用时 0.43 秒。
  • 现成的声音：十个标准声音和 170 多个带免费试听的目录声音。
  • 一条命令即可安装：python -m pip install superclonica-cpu，也可以用带 HTTP API 的 Docker 镜像。

模仿声音还是训练声音

这三个模型每次生成都要根据片段模仿声音。在 SuperClonica 中，声音需要用 5 到 10 秒的干净录音，在配有 NVIDIA 显卡的电脑上用工作室训练一次，或在交易所向会训练的作者下单。之后它可以在任何处理器上以全部 31 种语言运行，并带有原始录音的一点口音。只克隆得到本人同意的声音。

如何选择

如果需要中文及其方言、根据片段即时克隆和情感指令，并且有显卡，请选择 CosyVoice、IndexTTS 或 Spark-TTS。如果需要它们不支持的众多语言、现成的角色和旁白声音，以及在普通服务器和笔记本上大量生成语音，请选择 SuperClonica。