指南

OuteTTS、Llasa、MegaTTS3 和 MaskGCT：客观比较

OuteTTS、Llasa、MegaTTS3 和 MaskGCT 都是能用短录音克隆声音的开源研究模型，想自建替代云端声音的人常把它们放在一起比较。基于其中任何一个开发之前，最重要的是两点：它说哪些语言，以及它的许可允许做什么。

本指南总结各模型卡，并说明什么时候基于小模型 Supertonic 3 的 SuperClonica 更省事。注意：SuperClonica 引擎不支持中文朗读，可以朗读英语等 31 种语言。

浏览声音 安装 SuperClonica 引擎

OuteTTS 1.0

OuteTTS 1.0 1B 基于 Llama 3.2 1B，支持 23 种语言（其中 12 种训练充分），用约 10 秒音频克隆声音；GGUF 版本可用 llama.cpp 运行。其许可结合了 Llama 3.2 Community License 和针对 OuteAI 新增部分的 CC-BY-NC-SA 4.0，因此商用受限。

Llasa

Llasa 有基于 Llama 的 1B、3B 和 8B 三种规模，用 25 万小时中英文语音训练，可从 16 kHz 的提示音频克隆。它支持中文和英语，CC BY-NC 4.0 许可禁止自由商用。

MegaTTS3 和 MaskGCT

字节跳动的 MegaTTS3 采用 Apache-2.0，支持英语和中文，但其 WaveVAE 编码器未公开，只能用预先提取的潜变量克隆，模型卡称其主要面向学术用途；在 CPU 上较慢。Amphion 的 MaskGCT 是完全非自回归的零样本模型，用约 10 万小时英文和中文语音训练，许可为 CC-BY-NC 4.0。

什么时候 SuperClonica 更合适

如果你需要商用、更多语言或没有 GPU 的电脑，SuperClonica 更简单：Supertonic 3 在普通处理器上运行，每个声音都能说 31 种语言，十个标准声音按 OpenRAIL-M 免费，目录声音一次性 2.99 美元，工作室还能用 5 到 10 秒的录音训练你自己的声音。在声音页面输入 30 到 100 个字符即可免费试听，或用 python -m pip install superclonica-cpu 安装引擎。中文文本暂不支持。