注意：各一键包文件较大，苏米直接放在网盘下载，关注《苏米客》公众号回复“TTS一键包”即可获得；
什么是TTS
TTS（Text-To-Speech）这是一种文字转语音的语音合成。简单来说，它是一种能够将文本信息转换为自然、流畅的语音输出的技术。这种技术通过计算机或专门的设备，将文字内容转化为人们可以听懂的语音，
1、ChatTTS
ChatTTS 最强文本转语音！一键本地安装，100%成功！效果逼真如真人，完全免费开源！！
ChatTTS是专门为对话场景设计的文本转语音模型，例如LLM助手对话任务。它支持英文和中文两种语言。最大的模型使用了10万小时以上的中英文数据进行训练。在HuggingFace中开源的版本为4万小时训练且未SFT的版本。
功能亮点：中文/英语、支持多个说话者、可以预测和控制精细的韵律特征，包括笑声、停顿和插入语
一键部署：直接下载安装包解压后使用（需关闭VPN后双击运行，否则会出现闪退的情况）
使用说明：
支持四种Prompt 提示词：语速、笑声、停顿、语气词
-
[speed_0]-[speed_9]：数字越大，语速越快；
-
[laugh_0]-[laugh_9]：数字越大，笑声越多；
-
[break_0]-[break_9]：数字越大，停顿越多；
-
[oral_0]-[oral_9]：数字越大，语气词越多。
2、GPT-SoVITS
GPT-SoVITS是花儿不哭大佬研发的低成本AI音色克隆软件。目前只有TTS（文字转语音）功能，将来会更新变声功能。GPT-SoVITS的正确缩写应该是GSV。
GPT-SoVITS支持参考音频的情感、音色、语速控制合成音频的情感、音色、语速，可以少量语音微调训练，也可不训练直接推理，可以跨语种生成，即参考音频（训练集）和推理文本的语种为不同语种，支持中日英韩粤5个语种均可跨语种合成。
V3新增特点：
-
音色相似度更像，需要更少训练集来逼近本人（甚至不需要训练SoVITS）
-
GPT合成更稳定，重复漏字更少，也更容易跑出丰富情感
一键部署：Windows用户下载我给你的一键包后点击go-webui.bat，直接启动；
使用说明：
-
如果你想克隆一个人的声音，你可以找到一段这个人的演讲录音
-
如果是视频，可以使用人声分离功能，先分离出音频
开源地址：https://github.com/RVC-Boss/GPT-SoVITS
在线试用：https://gsv.acgnai.top/（各种游戏600多个角色）
使用指南：https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e
3、F5-TTS
F5-TTS 是由上海交通大学、剑桥大学和吉利汽车研究院（宁波）有限公司于2024年共同开源的一款高性能文本到语音 (TTS) 系统，它基于流匹配的非自回归生成方法，结合了扩散变换器 (DiT) 技术。这一系统能够在没有额外监督的情况下，通过零样本学习快速生成自然、流畅且忠实于原文的语音。
F5-TTS 支持多语言合成，包括中文和英文，且能在长文本上进行有效的语音合成。系统在 10 万小时的大规模数据集上进行训练，展现出了卓越的性能和泛化能力。主要功能包括零样本声音克隆、速度控制、情感表现控制、长文本合成以及多语言支持。它的技术原理涉及到流匹配、扩散变换器 (DiT) 、 ConvNeXt V2 文本表示改进、 Sway Sampling 策略以及端到端的系统设计。
功能亮点：
快速训练和推理： 相比于其他模型，F5-TTS的训练和推理速度更快。
流畅逼真的语音： 采用流匹配技术，生成更流畅、更自然、更忠实的语音。
基于扩散Transformer和ConvNeXt V2： 利用先进的架构，提升模型性能。
多风格/多说话人生成： 支持多风格和多说话人的语音生成。
提供Gradio应用： 提供友好的图形用户界面，方便用户进行推理和微调。
支持语音聊天： 通过集成Qwen2.5-3B-Instruct模型，支持语音聊天功能。
支持三种形式：
-
TTS：标准的单音色语音克隆；
-
Podcast：多音色克隆：有声读物制作者的福音；
-
Multi-Style：多种说话情绪，例如 Shouting...
开源地址：https://github.com/SWivid/F5-TTS
在线体验：https://www.modelscope.cn/studios/modelscope/E2-F5-TTS（魔塔）
4、Spark-TTS
Spark-TTS是一种先进的文本对语音系统，它使用大语言模型（LLM）的力量来高度准确且自然的语音综合。它旨在为研究和生产使用而有效，灵活和强大。
Spark-TTS完全基于QWEN2.5，完全基于QWEN2.5，消除了对流程匹配等其他生成模型的需求。它没有依靠单独的模型来生成声学特征，而是直接从LLM预测的代码中重建音频。这种方法简化了该过程，提高了效率并降低了复杂性。
功能亮点：
-
零样本语音克隆：实测 3 秒音频就足够；
-
双语支持：支持汉语和英语，并且能够以零拍的语音克隆来克隆跨语义和代码转换场景。
-
可控的语音生成：结合 Qwen-2.5，自动调整语气、停顿、强调等语音表达。
5、CosyVoice
阿里开源的 CosyVoice，与已有 TTS 方案相比，CosyVoice 在多语言语音生成、零样本语音生成、跨语言语音生成、富文本和自然语言细粒度控制方面，表现出色。
CosyVoice 的亮点总结：
-
只需3到10秒的音频样本，便能够复刻出音色，包括语调和情感等细节；
-
支持富文本和自然语言输入实现对情感和韵律的精细控制，使得合成语音充满感情色彩；
-
可以实现跨语种的语音合成。
官方共提供了三个版本的模型：
-
基座模型 CosyVoice-300M，支持 3s 声音克隆；
-
经过SFT微调的模型 CosyVoice-300M-SFT，内置了多个训好的音色；
-
支持细粒度控制的模型 CosyVoice-300M-Instruct，支持支持富文本和自然语言输入。
开源地址：https://github.com/FunAudioLLM/CosyVoice
体验地址：https://www.modelscope.cn/studios/iic/CosyVoice-300M（魔塔）
其实CosyVoice还有一个搭档，那就是阿里开源的SenseVoice，专注语音识别、情感识别和音频事件检测，满足更多人机交互的应用场景，比如语音翻译、语音对话、互动播客、有声读物等，有兴趣的也可以了解一下。
总结
苏米本文的整理主要还是针对TTS声音克隆开源项目的大致介绍，以便小白用户对开源TTS项目与在线克隆平台有一定的对比和了解，毕竟开源项目的部署是需要一定的程序开发和部署的基础，对比中可以发现，目前TTS开源项目的支持的功能更全面，对于实际的应用场景会支持的更好，像ChatTTS的提示词设置、GPT-SoVITS的情感、音色，还有音频分离、F5-TTS的多风格/多说话人生成，Spark-TTS的更可控的语音生成，阿里开源的 SenseVoice + CosyVoice 互动式的对话场景等，都能够应用到更具体的场景中。
一键包整理至网盘了，注意各一键包文件较大，关注《苏米客》公众号回复“TTS一键包”即可获得；