TTS 模型调研 · 2026-10

近一年主流 TTS（文本转语音）模型调研报告（开源 + 商业）

撰写日期：2026-10-14（北京时间）｜覆盖窗口：约 2025-10 ~ 2026-10。窗口外但仍作为基线或对照收录的模型（正文中均已标注“窗口外”）：Kokoro-82M（2025-01）、Chatterbox 原版（2025-05）、VibeVoice-1.5B（2025-08）、IndexTTS-2（2025-09-08）、VoxCPM-0.5B（2025-09）、Seed-TTS（2024，仅作评测参照）。 写作原则：所有数字、日期、价格都来自本次实际抓取的页面（链接见每节及文末“来源清单”）。凡是厂商自报、第三方转述或本次没能核实的内容，都会单独标出来。榜单 Elo 会随投票实时变化，本文用的是 2026-10-14 抓取时的快照。

0. 一页结论（TL;DR）#

  1. 人类盲听（Artificial Analysis Provider Voice 榜）商业第一梯队：Eleven v4 Turbo（1330）≈ Eleven v4（1328）> Qwen-Audio-3.1-TTS-Plus（1300）> Cartesia Sonic 3.6（1286）> Gemini 3.8 Flash TTS（1274）。这几款全是 2026 年 8~9 月发布的。
  2. 性价比突出的是阿里 Qwen-Audio-3.1-TTS-Plus：AA 标价 $19.3/百万字符，在 Provider Voice 榜排第 3，在 Controlled Voice（克隆音色）榜排第 2；Eleven v4 标价 $80/百万字符。如果只看单价，Simba 3.2（$6.6，Provider 第 9）和 Inworld Realtime TTS-2 Flash（$10.4，Provider 第 13）更便宜。
  3. 开放权重榜首换成了 Fish Audio Drama 3 Preview（AA 开放权重榜 1243，2026-10），第二是 Breeze TTS 2（1221）。两者都不能无条件商用：Drama 3 只对年营收低于 50 万美元的主体免费商用，Breeze TTS 2 仅限研究和非商用。
  4. 可放心商用的开源中文主力：Qwen3-TTS（Apache-2.0，10 种语言，3 秒克隆，支持指令控制；官方称流式首包最低 97ms）、VoxCPM2（Apache-2.0，30 种语言 + 9 种中文方言，48kHz 输出）、Fun-CosyVoice3-0.5B-2512（Apache-2.0，9 种语言 + 18 种以上方言，双向流式约 150ms）。
  5. 客观指标（Seed-TTS-eval）：§4 表中各开源模型的 test-zh CER 在 0.54~1.22% 之间；test-en WER 在近一年发布的模型里多为 0.99~1.84%，例外是 Fun-CosyVoice3-0.5B-2512 基础版 2.24（RL 版 1.68）和 VibeVoice-Realtime 2.05；窗口外的 IndexTTS2 为 2.23、VibeVoice-1.5B 为 3.04。闭源参考 Seed-TTS 为 zh 1.12 / en 2.25。也就是说，开源模型的中文 CER 已普遍不高于 Seed-TTS，英文 WER 大多更低。不过这些数字是各家自报或互相转引的，口径不统一，同一模型在不同 README 里的数字也可能不同（见 §4）。
  6. 端侧 / CPU：Kyutai Pocket TTS（100M 参数，2 核 CPU，首包约 200ms）、Kokoro-82M（Apache-2.0，HF Open TTS 英文 WER 第 1）、Supertonic 3（31 种语言，不含中文，OpenRAIL-M）、Chatterbox-Nano（MIT）都偏英文和欧洲语言。Kokoro 虽然带 8 个普通话音色，但不支持克隆。中文端侧目前还缺少经过公开验证的成熟轻量模型。
  7. 注意许可证：OmniVoice（权重 CC-BY-NC，HF Open TTS 9 语言榜第 1）、Fish S2 Pro（研究许可；Seed-TTS-eval zh 0.54 / en 0.99，转引）、Higgs TTS 3（非商用 + 创作者授权；HF Open TTS 9 语言克隆第 2）在客观指标上表现突出；Breeze TTS 2（非商用）和 Voxtral TTS（CC-BY-NC-4.0）主要在人类盲听 Elo 上有优势（AA 开放权重榜分别为 1221 和 1088），客观榜上并不突出（Breeze 在 HF Open TTS 英文 WER 为 1.72，排第 9；Voxtral 本次没有找到 WER/CER）。这些模型都不能直接放进商业产品。

1. 方法与口径说明#

数据源 类型 本次如何使用 注意事项
Artificial Analysis（AA）Provider Voice 榜 人类盲听 Elo（各家自带音色） 2026-10-14 抓取全表 以 Zonos-v0.1=1000 为锚点；Elo 实时变动，X 上不同日期的帖子引用的数值不同（如 Eleven v4 1319/1321/1328）
AA 开放权重榜 同上，只看开放权重模型 已抓取 开放权重 ≠ 可商用
AA Controlled Voice 榜 所有模型用同样 8 个克隆音色（4 美音 + 4 英音） 已抓取 衡量的是克隆音色下的自然度；锚点为 OpenAudio S1=1000；只有英语口音
TTS Arena V2 社区盲听 Elo 通过其公开 /api/leaderboard JSON 抓取 还没收录 Eleven v4、Sonic 3.6、Qwen-Audio-3.x 等最新旗舰，参考价值有限
HF Open TTS Leaderboard（2026-09-30 发布） 客观指标：WER/CER（Qwen3-ASR 转写）、RTFx、TTFA、SIM 博客已抓取；具体数字来自第三方媒体 creativeainews 的转述（结果版本 30-09-2026） 只衡量可懂度、速度和相似度，不衡量自然度
Seed-TTS-eval 客观：test-en WER（Whisper-large-v3）、test-zh CER（Paraformer-zh）、SIM（WavLM-large） 引用各模型 README 自报或转引的数字 各家复现条件不同，只能横向粗比；SIM 有的写成百分数（75.3），有的写成小数（0.749）
厂商博客 / 文档 / 定价页 发布日期、功能、延迟、价格 逐一抓取 延迟数字几乎都是厂商自报，测试硬件和测量口径各不相同
X（Twitter） 发布动态 用 x 命名空间检索 只用来交叉印证 AA 官方账号的榜单播报，不作为数字主来源

2. 榜单速览#

2.1 AA Provider Voice 榜 Top 20（2026-10-14 快照）#

交互：可点击表头排序 · 下方为 Elo × 价格散点图
#模型Elo（±95%CI）发布AA 标注 API 价（/百万字符）
1Eleven v4 Turbo1330±182026-09$40.0
2Eleven v41328±172026-09$80.0
3Qwen-Audio-3.1-TTS-Plus1300±172026-09$19.3
4Sonic 3.6（Cartesia）1286±152026-08$49.0
5Gemini 3.8 Flash TTS1274±152026-09$16.5
6Qwen-Audio-3.0-TTS-Plus1268±152026-09$19.3
7Realtime TTS-2（Inworld）1260±152026-08$20.8
8Gemini 3.8 Flash-Lite TTS1248±142026-09$11.0
9Simba 3.2（Speechify）1245±132026-07$6.6
10Fish Audio Drama 3 Preview（开放权重）1243±162026-10$15.0
11Breeze TTS 2（开放权重）1221±142026-08$34.0
12Luna TTS1218±122026-06$15.0
13Realtime TTS-2 Flash（Inworld）1218±142026-08$10.4
14Gemini 3.1 Flash TTS1213±112026-04$18.3
15StepAudio 2.5 TTS（Aug 2026）1211±152026-08$85.0
16v3 Conversational（ElevenLabs）1209±142026-08$50.0
17Sonic 3.51193±122026-05$49.0
18Fish Audio S2.1 Pro（Oct 2026）1192±152026-10$15.0
19Soniox TTS Real-Time v21180±112026-08$14.2
20Eleven v31176±112026-02$100.0
Elo（±95%CI）与 AA 标注 API 价（对数坐标，美元/百万字符）。数据即上表 20 行；● 开放权重 ● 其他。

同一张表里的其他相关条目：MiniMax Speech 2.8 HD 1175（$100）、Speech 2.8 Turbo 1152（$60）、Fish Audio S2 Pro 1118、Step Audio EditX 1097、Voxtral TTS 1088、Magpie-Multilingual 357M 1065、Kokoro 82M 1063（表格四舍五入显示为 $0.7，AA FAQ 给出精确值 $0.65/百万字符，全榜最便宜）、Higgs Audio V3 TTS 1039、Chatterbox 1026、VibeVoice 1.5B 957。AA 上名为 “Qwen3 TTS” 的条目（2026-01，933，$13.8）在 Provider 总榜排第 87，“Qwen3 TTS Flash”（2025-09，943，$11.0）排第 84。两者都不在 AA 开放权重榜的 17 个模型里（见 §2.2），说明 AA 没有把它们归为开放权重条目。它们分别对应哪个具体 API 版本，本文未核实。 来源：AA Provider Voice

2.2 AA 开放权重榜（2026-10-14，全部 17 个模型）#

1 Fish Audio Drama 3 Preview 1243 → 2 Breeze TTS 2 1221 → 3 Fish Audio S2 Pro 1118 → 4 Step Audio EditX（Mar 2026）1097 → 5 Voxtral TTS 1088 → 6 Magpie-Multilingual 357M 1065 → 7 Kokoro 82M v1.0 1063 → 8 Maya1 1047 → 9 OpenAudio S1 Mini 1045 → 10 Higgs Audio V3 TTS 1039 → 11 Chatterbox 1026 → 12 Zonos-v0.1 1000（锚点）→ 13 VibeVoice 1.5B 957 → 14 OpenVoice v2 956 → 15 XTTS v2 916 → 16 StyleTTS 2 895 → 17 MetaVoice v1 848。

AA 的说明是“97 个模型中 17 个为开放权重”。上面已经列出全部 17 个，其中没有 Qwen3-TTS、Fun-CosyVoice3、VoxCPM2、IndexTTS 这几个开源模型，所以它们没有 AA 的人类盲听分。总榜上的 “Qwen3 TTS”（933）和 “Qwen3 TTS Flash”（943）也不在这 17 个之中，见 §2.1。来源：AA 开放权重榜（2026-10-14 重新抓取核对）

2.3 AA Controlled Voice（克隆音色）榜 Top 18#

1 HeyGen Voice 1195（2026-10，$30）→ 2 Qwen-Audio-3.1-TTS-Plus 1180 → 3 Eleven v4 Turbo 1163 → 4 Eleven v4 1158 → 5 Sonic 3.6 1143 → 6 Realtime TTS-2 1140 → 7 Qwen-Audio-3.0-TTS-Plus 1125 → 8 Sonic 3.5 1116 → 9 Simba 3.2 1088（$6.6）→ 10 StepAudio 2.5 TTS 1074（AA 标注发布于 Apr 2026）→ 11 Eleven v3 1072 → 12 Realtime TTS-2 Flash 1072（$10.4）→ 13 Gemini 3.8 Flash-Lite TTS 1058±14（$11.0）→ 14 Fish Audio Drama 3 Preview 1058±15 → 15 v3 Conversational 1057 → 16 SpaceXAI TTS 1055 → 17 Gradium TTS（Sep 2026）1054 → 18 Gemini 3.8 Flash TTS 1048±14（$16.5）。 其他：Speech 2.8 HD 1019（#20）、Breeze TTS 2 1017（#23）、Voxtral TTS 1002（#26）、Fish S2 Pro 1001（#27）、Higgs Audio V3 960（#34）、Chatterbox 929（#38），共 43 个模型。 来源：AA Controlled Voice（2026-10-14 重新抓取核对）；AA 官方 X 账号播报 HeyGen Voice 登顶：x.com/ArtificialAnlys/status/2108608255387935199

解读：Gemini 3.8 Flash TTS 在 Provider Voice（自带音色）榜排第 5，在克隆音色榜只排第 18；Qwen-Audio-3.1-TTS-Plus 在两张榜上都在前 3，说明它的克隆效果和自带音色都很强。

2.4 TTS Arena V2（社区盲听，抓取于 2026-10-14）#

公开 API 返回的 rank 字段与 Elo 数值大小的顺序并不一致，API 也没有说明排序依据（未核实），所以下面两种顺序都列出：

API rank 模型 Elo ± 不确定度 tier 票数
1 CastleFlow v1.0 1561 ± 21 S 1643
2 Inworld TTS MAX 1558 ± 21 S 1477
3 Aurora（匿名模型） 1566 ± 31 A 571
4 Papla P1 1550 ± 25 A 958
5 Inworld TTS 1542 ± 19 B 1963
6 star-june-2026 1540 ± 33 B 494
7 Hume Octave 1526 ± 21 B 1141
8 MiniMax Speech 2.8 HD 1540 ± 33 （无） 502
0（未正式排名） Vocu V3.0 1564 ± 22 （无） 1444

复核（2026-10-14 重新请求 API）：star-june-2026 和 MiniMax Speech 2.8 HD 的 API 返回值确实都是 elo 1540、uncertainty 33。两者是不同条目：票数分别为 494 和 502，胜率分别为 53.24% 和 53.19%，tier 分别为 B 和无。这不是转录错误。

  • 按 Elo 数值排序：Aurora 1566 > Vocu V3.0 1564 > CastleFlow 1561 > Inworld TTS MAX 1558 > Papla P1 1550 > Inworld TTS 1542 > MiniMax Speech 2.8 HD 1540 = star-june-2026 1540 > Hume Octave 1526。
  • 开源模型中，Chatterbox 为 1481（rank 28），Kokoro v1.0 为 1478（rank 29）。
  • 这个榜单还没有收录 Eleven v4、Sonic 3.6、Qwen-Audio-3.x、Gemini 3.8 等新模型，所以本文主要参考 AA 的榜单。来源：TTS Arena V2 API

2.5 HF Open TTS Leaderboard（客观指标，结果版本 2026-09-30，第三方转述）#

  • 英文默认音色 WER：Kokoro-82M 1.46 → Supertonic 3 1.54 → Fish S2 Pro 1.58 → OmniVoice 1.61 → pocket-tts 1.62 → Fun-CosyVoice3 0.5B 1.68 → Chatterbox 1.70 → Qwen3-TTS 1.7B CustomVoice 1.71 → Breeze-TTS-2 1.72 → VibeVoice-Realtime 0.5B 1.82。
  • 9 种语言默认音色平均 WER：OmniVoice 3.25 → Fish S2 Pro 3.68 → Qwen3-TTS 1.7B CustomVoice 4.11。
  • 9 种语言克隆（WER / SIM）：OmniVoice 3.52/74.77 → Higgs TTS 3 3.74/69.08 → Qwen3-TTS 1.7B Base 3.92/72.92；在该视图里 VoxCPM2 的 SIM 最高（75.19）。
  • 流式：Qwen3-TTS 1.7B 用 Photon 引擎在 H200 上 TTFA 为 18.3ms，用 faster-qwen3-tts 为 309.9ms，说明推理引擎对延迟的影响非常大；CPU 上 pocket-tts TTFA 272.7ms，Kokoro 913.4ms。
  • 来源：HF 官方博客 Open TTS Leaderboard（方法、Top 模型名）；具体数值转引自 creativeainews（第三方，作者称数据通过 Space 的 API 拉取）。

3. 逐模型详解#

3.A 商业 / 闭源 API#

3.A.1

ElevenLabs Eleven v4 / Eleven v4 Turbo

#
商业对比表 ↗
  • 发布方 / 时间：ElevenLabs，2026-09-28（官方博客、TechCrunch）。
  • 类型：商业闭源 API。
  • 语言：90+ 种。TechCrunch 报道称，官方表示质量提升最大的是日语、巴西葡语、普通话和粤语。中文的实际质量没有第三方中文盲测，未核实。
  • 克隆：Instant Voice Clone 只需约 10 秒音频；v3 不支持的 Professional Voice Clone 在 v4 中恢复。克隆需要音色所有者验证同意（v4 页面）。
  • 情感控制：内联 Audio Tags（如 [whispers]、[laughs]、[door slams]），可以叠加多个标签；v4 中禁用了 SSML。
  • 长篇 / 多说话人（v4 页面）：官方称内置多说话人和音效（“multiple speakers and sound effects built-in”）。“Context stitching” 用于在任意长度的脚本中保持节奏和演绎一致，官方说法是“整本有声书听起来像一次录完”。重复生成同一句时，说话人音色保持稳定。
  • 延迟 / 流式：v4 Turbo 中位推理延迟约 100ms，首次出声约 150ms，支持双向流式（官方自报）。单次生成上限 10,000 字符。
  • 价格：AA 标注 v4 Turbo $40/百万字符、v4 $80/百万字符；免费档每月 10,000 credits，付费档 $6/月起（v4 页面）。
  • 榜单：AA Provider Voice 第 1 / 第 2（1330 / 1328）；Controlled Voice 第 3 / 第 4（1163 / 1158）。
3.A.2

阿里 Qwen-Audio-3.1-TTS（Plus / Flash / Next）与 Qwen-Audio-3.0-TTS-Plus

#
商业对比表 ↗
  • 发布方 / 时间：阿里千问 / 阿里云百炼。Qwen-Audio-3.1 系列发布于 2026-09-23（IT之家）。
  • 类型：商业 API（百炼）。注意它和开源的 Qwen3-TTS 不是同一个东西。
  • 语言：多语种和中文方言；IT之家称支持“同一音色跨语言合成时的自然迁移”。3.1-Flash 文档写明“支持多种语言和方言”。具体语种和方言列表本次未核实。
  • 克隆 / 情感：3.0-Plus 文档写明支持 free-style 指令和细粒度标签，可控制情绪、语气、角色、语速、音量；3.1-Flash 文档写明克隆时对带噪声、混响的参考音频更鲁棒。
  • 延迟 / 流式：3.1-Flash 面向实时交互，支持流式（WebSocket）。官方文档没有给出毫秒数，未核实。
  • 价格（官方文档原价）：
    • qwen-audio-3.0-tts-plus：北京 1.4 元/万字符（约 140 元/百万字符），新加坡 1.49884 元/万字符（文档）。
    • qwen-audio-3.1-tts-flash：输入 1.5 元/百万 Token，输出 12 元/百万 Token（文档）。
    • qwen-audio-3.1-tts-plus：阿里云帮助中心对应 URL 返回 404，官方人民币价格未核实；AA 标注 $19.3/百万字符。
    • qwen-audio-3.1-tts-next（文档）：统一生成人声、音效、环境音的 Audiogen 模型。文档列出的语种为中文、英文，输出为非流式；最大输入 3000 字符，单次生成上限为播客 240 秒、其他场景 120 秒；最多 3 条参考音频，每条最长 30 秒。北京价格为输入 6 元/百万 Token、输出 12 元/百万 Token。48kHz 输出这一点出自 IT之家的报道。
  • 关于降价：IT之家称 3.1 发布时 Qwen-Audio 全线降价，其中“TTS 降价约 70%”。但 AA 对 3.0-Plus 和 3.1-Plus 标的都是 $19.3/百万字符（AA 未标注价格的采集时间）。降价前的价格、降价具体针对哪些型号，以及 3.0-Plus 文档里的 1.4 元/万字符是不是降价后的价格，本次都未核实，两者不宜直接对比。
  • 榜单：AA Provider Voice 第 3（1300）；Controlled Voice 第 2（1180）。
3.A.3

Cartesia Sonic 3.6

#
商业对比表 ↗
  • 发布方 / 时间：Cartesia，2026-08-27 GA（官方博客）。
  • 语言：44 种语言、61 个 locale（其中 11 个印度语种 locale），500+ 预置音色，支持 Hinglish 混说。中文质量没有公开数据。
  • 克隆：Instant Voice Clone，官方称对口音的保持能力有提升。
  • 情感：官方称美式英语的优势来自“更好的语调、更高的音质和 context-driven emotionality（随上下文调整情感表达）”，并会根据对话上下文调整演绎（厂商自述）。
  • 延迟：官方称 “Replies under 90ms”，生成速度 132 字符/秒（v3 Conversational 为 68）。可以通过 Baseten、SageMaker、Together AI 部署在客户自己的云里。
  • 价格：AA 标注 $49/百万字符。
  • 榜单：AA Provider Voice 第 4（1286），Controlled 第 5（1143）。官方自报美式英语盲测中 92% 优于 Eleven v3（厂商自测）。
3.A.4

Google Gemini 3.8 Flash TTS / Flash-Lite TTS

#
商业对比表 ↗
  • 发布方 / 时间：Google，2026-09-23（官方博客）。
  • 语言：100+ 种语言和方言；2,000+ 预置音色。
  • 克隆：Voice replication 需要约 30 秒样本，并且必须提供音色本人的口头同意录音；输出带 SynthID 水印。AI Studio 的复刻功能在伊利诺伊、德州、EEA、英国、瑞士、印度不可用。
  • 情感 / 导演控制：自然语言 Voice Design、逐行舞台指示、原生双说话人场景、backchannel 和非语言声音。官方称在 Hume AI Voice Design Benchmark 上排第 1（71.4，厂商引用）。
  • 长篇：博客称可以“在数小时连续音频中保持高音质、自然节奏和角色音色，speaker drift 极小”，适合播客和有声书（厂商自述）。
  • 延迟：博客没有给出具体数字。
  • 价格（官方定价页）：3.8 Flash TTS 付费档在 2026-12-31 前为文本输入 $0.50/百万 tokens、音频输出 $9.00/百万 tokens（约合 $0.00225 / 10 秒音频）；2027-01-01 起翻倍（$1.00 / $18.00）。有免费档。AA 折算价为 Flash $16.5/百万字符，Flash-Lite $11/百万字符。
  • 榜单（AA Provider、AA Controlled，2026-10-14）：Provider Voice 上 Flash 第 5（1274）、Flash-Lite 第 8（1248）；Controlled Voice 上 Flash-Lite 第 13（1058±14）、Flash 第 18（1048±14），见 §2.3。
3.A.5

Inworld Realtime TTS-2 / TTS-2 Flash

#
商业对比表 ↗
  • 发布方 / 时间：Inworld AI。2026-05 发布研究预览，2026-08-31 GA（官方博客）。
  • 特点：把多轮对话中的前文音频作为输入（“Conversational Awareness”）；支持自然语言 voice direction；同一音色覆盖 100+ 种语言，并可在一句话中切换语言；提供 Expressive / Balanced / Stable 三种稳定度模式。
  • 克隆：需要 5~15 秒参考音频。
  • 延迟：官方称 TTS 层中位首包 sub-200ms；Realtime API 兼容 OpenAI Realtime 协议。
  • 价格：按字符计费。AA 标注 TTS-2 $20.8/百万字符，TTS-2 Flash $10.4/百万字符。
  • 榜单：AA Provider 第 7（1260），Controlled 第 6（1140）。TTS Arena V2 上 Inworld TTS MAX 为 1558±21（API rank 2，tier S，见 §2.4）。
3.A.6

MiniMax Speech 2.8（HD / Turbo）

#
商业对比表 ↗ · Seed-TTS-eval ↗
  • 发布方 / 时间：MiniMax，2026-01-23（官方新闻）。
  • 特点：原生语气 / 声音标签（(laughs)、(breath)、(chuckle) 等），10 秒克隆，优化了中日跨语言的“口音串味”问题。中文是 MiniMax 的强项，但 2.8 的中文客观指标本次没有找到官方数字。旧版 MiniMax-Speech 在 Seed-TTS-eval 上的数字为 zh CER 0.83 / en WER 1.65（见 §4）。
  • 延迟：本次没有核实到 2.8 的官方延迟数字。
  • 价格：AA 标注 HD $100、Turbo $60（每百万字符）。
  • 榜单：AA Provider：2.8 HD 1175、2.8 Turbo 1152；TTS Arena V2：2.8 HD 1540。
3.A.7

字节跳动 豆包语音合成模型 2.0（Doubao-Seed-TTS 2.0）/ 声音复刻模型 2.0

#
商业对比表 ↗
  • 发布方 / 时间：字节跳动 / 火山引擎，2025-10-16（IT之家）。
  • 特点：基于豆包大语言模型的新架构，具备语义理解和上下文推理能力，可以用自然语言调节语速、情绪、声线、音调和风格。官方称中小学全学科复杂公式朗读准确率达 90%。
  • 克隆：单独提供“声音复刻模型 2.0（Doubao-Seed-ICL 2.0）”。
  • 价格（资源包，火山引擎计费说明）：语音合成 2.0 与声音复刻 2.0 定价相同：10 万字 28 元（2.8 元/万字符）、2000 万字 5400 元（2.7）、2 亿字 48000 元（2.4）、20 亿字 42 万元（2.1 元/万字符）。
  • 榜单：豆包 TTS 2.0 没有出现在本次抓取的 AA / TTS Arena 榜单里。Seed-TTS（2024 年论文版）只作为 Seed-TTS-eval 的参考系出现（zh CER 1.12 / en WER 2.25）。延迟数字本次未核实。
3.A.8

阶跃星辰 StepAudio 2.5 TTS

#
商业对比表 ↗
  • 发布方 / 时间：阶跃星辰，2026-04-16（IT之家）。
  • AA 条目与版本：AA Provider 榜上的条目名为 “StepAudio 2.5 TTS (Aug 2026)”，发布时间标为 2026-08，Elo 1211。AA Controlled 榜上的条目名为 “StepAudio 2.5 TTS”，发布时间标为 2026-04，Elo 1074。也就是说，Provider 榜的分数对应的是 AA 标注的 8 月版本；它和 4-16 发布的版本是什么关系（是不是后续更新），本次未核实。
  • 特点：Global Context（全局语境）+ Inline Context（句中语境）双层控制，零样本克隆，可以控制情绪、节奏、停顿和潜台词，强调“演”文本而不只是“念”文本。
  • 价格：AA 标注 $85/百万字符（偏贵）；官方人民币价格未核实。
3.A.9

其他值得关注的商业模型（简述）

#
商业对比表 ↗
  • HeyGen Voice（HeyGen，2026-10-09）：一手来源为 HeyGen 通过 PRNewswire 发布的新闻稿（转载于 BusinessPressWire）和 HeyGen 开发者文档。
    • 新闻稿要点：HeyGen 自研的语音模型，“在 HeyGen 平台和 API 内免费使用”；Professional Voice Clone 是 $99/月的附加服务，需要本人明确同意，用 30 分钟到 3 小时的语音训练；“Authentic Delivery”一项称能做出自然的强调、情感、角色感和节奏（厂商自述，没有参数级的情感控制说明）。
    • 语言：Instant Voice Clone 文档的 Languages 一节列出 39 个基础语言代码（ar、be、bg、ca、cs、da、de、el、en、es、fa、fi、fr、he、hi、hr、hu、id、it、ja、ko、mk、ms、nl、pl、pt、ro、ru、sk、sl、sr、sv、ta、th、tl、tr、uk、vi、zh），本文按原文计数。
    • 文档要点：Instant Voice Clone 只需一段录音（只取前 3 分钟）；POST /v3/models/audio/tts 返回 44.1kHz WAV，/tts/stream 通过 SSE 流式返回；模型名为 heygen-voice-1；文档列出的语言包含 zh。
    • 榜单与价格：AA Controlled Voice 第 1（1195），AA 标价 $30/百万字符。这与新闻稿说的“平台和 API 内免费”口径不同，计费细节未核实。AA 推文称其 Pronunciation Robustness 得分 83.1%，排第 10/29（X）。
  • Speechify Simba 3.2（AA 标注 2026-07）：AA Provider 1245（第 9），Controlled 1088（第 9），标价 $6.6/百万字符，是 AA Provider 前 10 名里最便宜的。本次没有抓取 Speechify 的一手资料，语言、克隆、延迟等都未核实。
  • Fish Audio S2.1 Pro（API）：AA 1192，$15。
  • OpenAI GPT-Realtime-2（AA 1079，$191.6）、Microsoft MAI-Voice-1（AA 1033）、Xiaomi MiMo-V2.5-TTS（AA 1056，发布日期 AA 标为 “-”）：本文未展开。

3.B 开源 / 开放权重#

3.B.1

Fish Audio Drama 3（Preview）

#
开源 / 开放权重自定义 / 有条件许可对比表 ↗
  • 发布方 / 时间：Fish Audio。官方博客日期为 2026-10-13，权重发布在 HF fishaudio/drama-3（博客、GitHub）。
  • 架构：35B MoE（每个 token 约 3B 激活），由 Qwen3.5-35B-A3B 初始化；codebook-MTP 解码器；输出 44.1kHz；RL 阶段只用人类偏好奖励模型。官方称单路 H200 解码 271 帧/秒（S2 为 177）。
  • 语言：83 种。导演指令可以用任何语言写，博客里有用中文指令驱动英文台词的示例。官方没有公布 Drama 3 的分语种等级：S2 Pro 卡片把中文列为 Tier 1，但不能直接套用到 Drama 3，中文质量未核实。
  • 克隆 / 情感：支持克隆、多角色场景、自然语言方括号指令、局部（成对标签）控制；编辑和 inpainting 功能目前仅限邀请测试。
  • 许可证：Fish Audio Community License v1.0。研究和非商用免费；本人及关联方年营收低于 50 万美元时可免费商用；超过这个门槛，或者要对外提供 TTS、克隆、推理服务，需要另行取得授权。
  • 价格（API）：标价 $50/百万字符，10-13 至 11-12 推广期 $10。AA 表中标为 $15，与官方不一致，以官方为准。
  • 榜单：AA 开放权重榜第 1（1243），Provider 总榜第 10；Controlled 第 14（1058）。AA Pronunciation Robustness 93.2%，全榜第 1（官方博客 + AA 推文）。
  • 流式：README 写明长文本支持流式，推荐用 SGLang-Omni 部署；首包延迟未核实。
3.B.2

Fish Audio S2 Pro

#
开源 / 开放权重非商用 / 研究许可对比表 ↗ · Seed-TTS-eval ↗
  • 发布方 / 时间：Fish Audio。HF 仓库创建于 2026-03-09，技术报告为 arXiv 2603.08823（HF）。
  • 规格：Dual-AR 架构，Slow AR 4B + Fast AR 0.4B（HF 显示模型总大小约 5B）；训练数据 1000 万小时以上，80+ 种语言（中、英、日为 Tier 1）；自由形式的 [tag] 指令，官方称支持 15,000+ 种标签。
  • 延迟：单张 H200 上 RTF 0.195，首包约 100ms（官方）。
  • 许可证：Fish Audio Research License，商用需另行授权。
  • 指标：Seed-TTS-eval 上 en WER 0.99、zh CER 0.54、hard 5.99。这组数字转引自 VoxCPM README，该表把模型写作 “FishAudio S2, 4B”，本文认为指的是同一个模型（S2 Pro 的 Slow AR 部分为 4B）。CV3-eval zh 2.65 / en 2.43（同一来源）。AA 开放权重榜 1118。
3.B.3

Breeze TTS 2（BreezeBlue）

#
开源 / 开放权重非商用 / 研究许可对比表 ↗
  • 时间：权重发布于 2026-08-25（HF 卡片）。
  • 语言：中英双语。
  • 能力：克隆（需要参考文本）、Voice Design、Voice Direction，以及中英文内联声音事件（[笑]、[叹气]）。
  • 延迟：H100 warm-up 后的快速路径下 TTFA < 40ms，RTF 0.32；显存约 7.7GiB（官方）。
  • 许可证：代码 Apache-2.0；权重、衍生模型和自托管输出仅限研究 / 非商用。AA 上另有官方 API，标价 $34/百万字符。
  • 榜单：AA 开放权重第 2（1221）；Controlled 1017。HF Open TTS 英文 WER 1.72。
3.B.4

Qwen3-TTS（阿里通义，开源版）

#
开源 / 开放权重Apache-2.0对比表 ↗ · Seed-TTS-eval ↗
  • 时间：2026-01-22 发布 0.6B / 1.7B 系列（GitHub README，HF 仓库创建于 2026-01-21）。
  • 许可证：Apache-2.0（HF 标签）。
  • 语言：10 种（中、英、日、韩、德、法、俄、葡、西、意），另有北京话、四川话等方言音色。
  • 能力：Base 模型 3 秒克隆；CustomVoice 有 9 个精品音色并支持指令控制风格；VoiceDesign 可以用自然语言描述来设计音色；支持“先设计、再克隆”的工作流。
  • 延迟：Dual-Track 流式架构，官方称输入单个字符后即可输出首包，端到端延迟最低 97ms（官方）。HF Open TTS 实测：Photon 引擎在 H200 上 TTFA 18.3ms（第三方转述）。另有 vLLM-Omni day-0 支持（README 注明当时只支持离线推理）。
  • 指标：Seed-TTS-eval 自报 12Hz-1.7B-Base 的 zh CER 0.77 / en WER 1.24，12Hz-0.6B-Base 为 0.92 / 1.32。VoxCPM README 转引为 zh 1.22 / en 1.23 / hard 6.76、SIM 77.0 / 71.7（两处数字不一致，可能是复现条件不同）。HF Open TTS 9 语言榜上，它是排名最高的 Apache-2.0 模型（第 3）。
3.B.5

Fun-CosyVoice 3.0（阿里通义 FunAudioLLM）

#
开源 / 开放权重Apache-2.0对比表 ↗ · Seed-TTS-eval ↗
  • 时间：2025-12 发布 Fun-CosyVoice3-0.5B-2512（Base + RL 版本）（GitHub）。
  • 许可证：Apache-2.0（HF 标签）。
  • 语言：9 种 + 18 种以上中文方言 / 口音（粤、闽南、川、东北、上海等），支持多语混说。
  • 能力：零样本克隆；指令可以控制语言、方言、情绪、语速、音量。
  • 延迟：双向流式（文本输入流式 + 音频输出流式），官方称延迟低至 150ms。
  • 指标（README 自报，Seed-TTS-eval）：0.5B-2512 为 zh 1.21 / en 2.24 / hard 6.71；RL 版为 zh 0.81 / en 1.68 / hard 5.44，SIM 77.4 / 69.5 / 75.0。HF Open TTS 英文 WER 1.68（第 6）。
3.B.6

VoxCPM2（OpenBMB / 面壁智能）

#
开源 / 开放权重Apache-2.0对比表 ↗ · Seed-TTS-eval ↗
  • 时间：2026-04 发布（GitHub）。之前有 VoxCPM1.5（2025-12）和 VoxCPM-0.5B（2025-09）。
  • 许可证：Apache-2.0，可商用。
  • 规格：2B 参数（MiniCPM-4 底座），训练数据 200 万小时以上，30 种语言 + 9 种中文方言（川、粤、吴、东北、河南、陕西、山东、天津、闽南），不需要语言标签；48kHz 输出。
  • 能力：Voice Design、可控克隆（克隆的同时用文字控制风格）、“极致克隆”（参考音频 + 文本续写），支持 LoRA / SFT 微调。
  • 延迟：RTX 4090 上 RTF 约 0.30，用 Nano-vLLM / vLLM-Omni 约 0.13；显存约 8GB；支持流式 API；也有 llama.cpp GGUF 版本（M4 Pro 上 RTF 约 1.76，非实时）。
  • 指标（README 自报）：Seed-TTS-eval 上 en WER 1.84 / SIM 75.3、zh CER 0.97 / SIM 79.5、hard 8.13 / 75.3；30 语种内部测试平均 WER 1.68%（用 Gemini 3.1 Flash Lite 做 ASR）。HF Open TTS 9 语言克隆视图中 SIM 最高（75.19，第三方转述）。
3.B.7

IndexTTS-2 / IndexTTS-2.5（B 站 Index 团队）

#
开源 / 开放权重自定义 / 有条件许可对比表 ↗ · Seed-TTS-eval ↗
  • 时间：IndexTTS-2 发布于 2025-09-08（窗口外，作为对照）；IndexTTS-2.5 发布于 2026-08-10（GitHub）。IndexTTS2 的参数量为 1.5B（据 CosyVoice / VoxCPM README 的对比表）；IndexTTS2.5 为 0.8B（据 IndexTTS README 的 CV3 表）。
  • 语言：2.5 支持中、英、日、西、阿。
  • 能力：音色与情感解耦。情感可以通过情感参考音频、8 维情感向量、从文本自动推断，或文字情感描述来控制，emo_alpha 调节强度。
  • 时长 / 语速：IndexTTS-2 的论文标题强调“精确合成时长控制”，但 README 注明这项功能“在该版本中尚未启用”。IndexTTS-2.5 提供的是语速控制 duration_factor（0.5x~2.0x 时长），并改进了中文拼音、英文 CMU 音素、日文假名的可控性；README 还写明可以用 vLLM 做生产部署。
  • 许可证：bilibili Model Use License Agreement。据第三方 creativeainews 的解读，IndexTTS 2.5 在达到一定规模（1 亿月活或 10 亿元营收）之前可以商用；原文条款请以 LICENSE 为准。商务联系 indexspeech@bilibili.com。
  • 指标：IndexTTS2 在 Seed-TTS-eval 上为 zh 1.03 / en 2.23 / hard 7.12（CosyVoice / VoxCPM README 转引）。IndexTTS2.5-RL 在 CV3-eval 上为 zh 3.93 / en 3.89，5 语种平均 WER 6.00、SS 73.63；跨语种（中文 prompt → 其他语言）平均 6.17，在表中最优（README 自报）。
  • 延迟：README 称 2.5 比 2 推理更快，没有给出毫秒数。
3.B.8

OmniVoice（k2-fsa / 新一代 Kaldi 团队）

#
开源 / 开放权重非商用 / 研究许可对比表 ↗
  • 时间：HF 仓库创建于 2026-03-30，论文 arXiv 2604.00688（GitHub）。
  • 规格：扩散语言模型式架构，约 0.6~0.8B，600+ 种语言，RTF 最低 0.025。
  • 能力：克隆（最稳定的模式）、Voice Design（只用中英文数据训练）、[laughter] 等非语言符号、拼音 / 音素纠音。
  • 许可证：代码 Apache-2.0；权重 CC-BY-NC（受 Emilia 等训练数据约束）。
  • 指标：HF Open TTS 9 语言默认音色榜和克隆榜均为第 1（3.25 / 3.52，第三方转述）；CV3-eval zh 3.41 / en 3.62（IndexTTS README 转引）。
3.B.9

Higgs TTS 3（Boson AI）

#
开源 / 开放权重非商用 / 研究许可对比表 ↗
  • 时间：HF 仓库创建于 2026-06-04；AA 上标为 “Higgs Audio V3 TTS（Jun 2026）”（HF）。
  • 规格：约 4B 自回归模型，24kHz；官方称在 102 种语言上 WER/CER 达到个位数。
  • 能力：零样本克隆；内联 <|emotion:…|>、<|style:…|>、<|prosody:…|>、<|sfx:…|> 控制，情绪类别很多；支持 SSE 流式，首包“亚秒级”。
  • 许可证：研究 / 非商用。另有 Creator Use Grant：创作者可以免费制作并变现播客、视频等内容（需要注明 Boson AI Higgs Audio），但不能用于托管服务或嵌入产品。
  • 指标（Boson 自报，在统一条件下重跑）：卡片说明表中数字为“各基准语言集合上的宏平均 WER/CER（×100）”，并且是用原始指标和归一化端到端复现的结果。SeedTTS 一行：Higgs TTS 3 1.11、OmniVoice 1.21、Qwen3-TTS-1.7B 1.30、Fish Audio S2 Pro 1.31、IndexTTS-2 1.63、FireRedTTS-2 1.72；CV3 一行 Higgs TTS 3 为 4.41。AA 开放权重榜 1039。
  • 为什么和 §4 的数字对不上：§4 是各模型作者自己报告的分拆分数字（zh 和 en 分开）。如果简单把 zh 和 en 做算术平均，Qwen3-TTS 自报是 (0.77+1.24)/2≈1.01，Fish S2 转引是 (0.54+0.99)/2≈0.77，都低于 Higgs 卡片里的 1.30 / 1.31。可能的原因有：Boson 自己重跑了推理（采样随机性、参考音频处理方式不同）、ASR 和文本归一化不同、“语言集合”是否包含 test-hard 不明确等。卡片没有逐项说明这些细节，差异的具体来源未核实。所以 Higgs 表里的数字只适合在 Higgs 表内部互相比较，不宜和其他 README 的数字混在一起比。
3.B.10

Voxtral TTS（Mistral AI）

#
开源 / 开放权重非商用 / 研究许可对比表 ↗
  • 时间：2026-03（模型名 4B-TTS-2603，论文 arXiv 2603.25551；HF）。
  • 语言：9 种（英、法、西、德、意、葡、荷、阿、印地），不含中文。
  • 能力：20 个预置音色，可以适配新音色（权重内的参考音色为 CC BY-NC）。官方称在 9 种主要语言中具备“natural prosody and emotional range”（自然韵律和情感表达范围）（厂商自述）。
  • 延迟：单张 H200、vLLM-Omni、并发 1 时，延迟 70ms、RTF 0.103（官方）。
  • 许可证：CC-BY-NC-4.0。AA 标注其 API 价为 $16/百万字符。AA 开放权重榜 1088。本次没有找到 Voxtral TTS 的 WER/CER 客观指标。
3.B.11

Step-Audio-EditX（阶跃星辰）

#
开源 / 开放权重许可未核实对比表 ↗
  • 时间：HF 仓库创建于 2025-10-29；2025-11-19 发布新版（多音字控制），2025-11-28 增加日、韩语（HF）。
  • 定位：3B 参数的 LLM 音频编辑模型（经过 RL），可以对情绪、说话风格、副语言做迭代编辑，也能克隆；支持四川话、粤语标签。
  • 许可证：代码 Apache-2.0；权重许可证本次未单独核实。AA 开放权重榜 1097（Mar 2026 版）。
3.B.12

Chatterbox 家族（Resemble AI）

#
开源 / 开放权重MIT对比表 ↗
  • 型号与时间：
    • Chatterbox 原版：HF 仓库创建于 2025-04-24，AA 标为 2025-05（窗口外，作为对照）。
    • Chatterbox-Turbo：350M，英文，HF 仓库创建于 2025-12-02。
    • Chatterbox-Nano：110M，英文，8 核 CPU 上约 3 倍实时；发布日期未核实。
    • Chatterbox Multilingual V3：500M，23+ 种语言，支持语言列表中包含中文；发布日期未核实（GitHub）。
  • 能力：零样本克隆；[laugh]、[cough] 等副语言标签；exaggeration / cfg 控制夸张度；所有输出内置 PerTh 隐形水印。
  • 许可证：MIT。
  • 指标：AA 上的 Chatterbox（原版）为 1026；HF Open TTS 英文 WER 1.70。Multilingual V3 的独立评测本次没有找到。
3.B.13

VibeVoice（微软）

#
开源 / 开放权重MIT对比表 ↗ · Seed-TTS-eval ↗
  • 型号：
    • VibeVoice-TTS 1.5B：2025-08-25 开源（窗口外，作为对照），可生成最长 90 分钟、最多 4 位说话人的长篇对话，README 称支持英文、中文等语言。
    • VibeVoice-Realtime-0.5B：2025-12-03 开源，支持流式文本输入，首个可听音频约 300ms。2025-12-16 增加了实验性音色，覆盖 9 种语言（德、法、意、日、韩、荷、波、葡、西）和 11 种英文风格（GitHub）。
  • 许可证：MIT。但官方明确表示“不建议在未经进一步测试的情况下用于商业或真实场景”；2025-09 曾因滥用问题调整过仓库。
  • 指标：VibeVoice-1.5B 在 Seed-TTS-eval 上为 zh 1.16 / SIM 74.4、en 3.04 / SIM 68.9。这组数字在 VoxCPM README 和 CosyVoice README 中一致，两处都有。Realtime-0.5B 为 en 2.05 / SIM 63.3，只见于 CosyVoice README。AA 上 VibeVoice 1.5B 为 957。
3.B.14

Kyutai Pocket TTS

#
开源 / 开放权重来源说法不一致对比表 ↗
  • 时间：技术报告 / 博客发布于 2026-01-13（kyutai.org/blog/2026-01-13-pocket-tts）；2026-08 开源训练代码（GitHub，X 上也有讨论，如 @daivbr）。
  • 规格：100M 参数（生成模型 90M + 编解码器解码器 10M），只用 2 个 CPU 核心，首包约 200ms，在 M4 MacBook Air 上约 6 倍实时；支持流式和克隆（官方博客称约需 5 秒参考音频；克隆权重需要在 HF 上同意条款），可在浏览器端运行。
  • 语言：1 月发布时只用公开英文数据（8.8 万小时）训练；当前 README 列出英、法、德、葡、意、西、荷 7 种（不含中文）。
  • 指标：博客自报 LibriSpeech test-clean WER 1.84（Kokoro 1.93、F5-TTS 2.21、Chatterbox Turbo 3.24）。HF Open TTS 英文 WER 1.62，CPU TTFA 272.7ms（第三方转述）。
  • 许可证：来源之间不一致。1 月博客写明“以 MIT 许可开源 Pocket TTS”，而 HF 模型仓库 kyutai/pocket-tts 的许可证标签为 CC-BY-4.0（第三方 creativeainews 也按 CC-BY-4.0 解读，需要署名）。推测代码与权重可能分别授权，但未核实；使用前请查看仓库里的 LICENSE 和 voices 许可页面。
3.B.15

Supertonic 3（Supertone）

#
开源 / 开放权重自定义 / 有条件许可对比表 ↗
  • 时间：HF 仓库创建于 2026-05-06（HF）。
  • 定位：端侧 TTS，约 0.1B，31 种语言（从 v2 的 5 种扩展而来）。按 HF 卡片的 Supported Languages 表，支持英、韩、日、阿、德、西、法、印地、意、荷、波、葡、俄、越等，不含中文。
  • 许可证：模型 OpenRAIL-M（有使用限制），示例代码 MIT。
  • 指标：HF Open TTS 英文 WER 1.54（第 2）。但没有流式模式，单句 TTFA 为 1918.6ms（第三方转述），不适合实时对话。
3.B.16

NVIDIA Magpie TTS Multilingual 357M

#
开源 / 开放权重自定义 / 有条件许可对比表 ↗
  • 时间：HF 仓库创建于 2025-12-11；2026-07-21 发布 v2607，新增阿、韩、葡（HF）。
  • 语言：12 种，含中文；5 个固定音色，不用于零样本克隆。
  • 许可证：NVIDIA Open Model License，卡片注明“ready for commercial use”。AA 1065。
3.B.17

Kokoro-82M（hexgrad，基线，窗口外）

#
开源 / 开放权重Apache-2.0对比表 ↗
  • v1.0 于 2025-01-27 发布，不在近一年窗口内，作为轻量基线收录（HF）。
  • 规格：Apache-2.0，82M 参数，可在 CPU 上运行。v1.0 共 8 种语言、54 个音色，其中普通话有 8 个音色（4 女 4 男，见 VOICES.md）。普通话训练时长未公布，中文质量未核实。
  • 不支持克隆。
  • 榜单与价格：AA 1063，表格显示 $0.7，FAQ 精确值为 $0.65/百万字符，全榜最便宜；HF Open TTS 英文 WER 第 1（1.46）。
3.B.18

Raon-OpenTTS（KRAFTON）

#
开源 / 开放权重Apache-2.0对比表 ↗ · Seed-TTS-eval ↗
  • 论文 arXiv 2605.20830，v1 提交于 2026-05-20（arXiv 摘要页）。代码和权重的许可证为 Apache-2.0（GitHub）。
  • 开放权重 + 开放数据：数据池 61.5 万小时，筛选后训练集 51 万小时；参数 0.3B~1B。
  • 指标：README 自报 Seed-TTS-eval（EN）WER 1.78 / SIM 0.749。
  • 克隆：README 没有专门的“voice cloning”功能说明。但它在 Seed-TTS-Eval 的零样本、cross-sentence prompt 设置下报告了说话人相似度 SIM，并写明推理时以参考音频（原始、未裁剪）作为条件信号，所以属于参考音频条件的零样本克隆。克隆质量只有上面这一组 SIM 可参考。
  • 只支持英文。AA 上另有 “Raon SpeechLM”（2026-04，Provider 1005），它和 Raon-OpenTTS 的关系未核实。

4. Seed-TTS-eval 客观指标汇总（WER/CER 越低越好，SIM 越高越好）#

⚠️ 下表数字都来自各模型作者的 README，或者别的项目 README 里的转引，不是同一方在统一条件下复现的结果。每一行的“来源”列标明出处；同一模型如果有多个来源，就分行列出、不混在一行。例如 CosyVoice 3 在 Qwen3-TTS README 中为 zh 0.71 / en 1.45，在 VoxCPM README 中 1.5B 版为 1.12 / 2.22。这张表只适合判断大致档位。

交互：点击表头排序（空值始终排末尾）
模型参数开源 / 许可test-zh CER↓zh SIM↑test-en WER↓en SIM↑test-hard CER↓hard SIM↑来源
Seed-TTS（闭源参照，2024，窗口外）-✗1.1279.62.2576.27.5977.6VoxCPM README
MiniMax-Speech（旧版，窗口外） 卡片↗-✗0.8378.31.6569.2--VoxCPM README
Fish Audio S2（VoxCPM 表中写作 “FishAudio S2, 4B”，即 §3.B.2 的 S2 Pro：Slow AR 4B + Fast AR 0.4B） 卡片↗4B+0.4B权重（研究许可）0.54-0.99-5.99-VoxCPM README（转引）
Qwen3-TTS-12Hz-1.7B-Base（自报） 卡片↗1.7B✓ Apache0.77未报告1.24未报告未报告未报告Qwen3-TTS README
Qwen3-TTS 1.7B（转引） 卡片↗1.7B✓ Apache1.2277.01.2371.76.7674.8VoxCPM README
Qwen3-TTS-12Hz-0.6B-Base（自报） 卡片↗0.6B✓ Apache0.92未报告1.32未报告未报告未报告Qwen3-TTS README
Fun-CosyVoice3-0.5B-2512_RL 卡片↗0.5B✓ Apache0.8177.41.6869.55.4475.0CosyVoice README
Fun-CosyVoice3-0.5B-2512 卡片↗0.5B✓ Apache1.2178.02.2471.86.7175.8CosyVoice README
VoxCPM2 卡片↗2B✓ Apache0.9779.51.8475.38.1375.3VoxCPM README
IndexTTS2（2025-09，窗口外） 卡片↗1.5B✓ bilibili 许可1.0376.52.2370.67.1275.5VoxCPM / CosyVoice README（两处一致）
VibeVoice-1.5B（2025-08，窗口外） 卡片↗1.5B✓ MIT1.1674.43.0468.9--VoxCPM / CosyVoice README（两处一致）
VibeVoice-Realtime-0.5B 卡片↗0.5B✓ MIT--2.0563.3--CosyVoice README
Raon-OpenTTS-1B 卡片↗1B✓ Apache--1.7874.9（原文 0.749）--Raon README
图：数据即上表（同一模型不同来源分行显示）；■ 开源/开放权重 ■ 闭源；虚线为 Seed-TTS（闭源参照）

说明：

  • Higgs TTS 3 没有放进上表。它的卡片只给出 SeedTTS 的“语言集合宏平均 WER/CER”（1.11），没有分开报 zh 和 en，而且是 Boson 自己在统一条件下重跑的结果，和上表口径不同，详见 §3.B.9。
  • VoxCPM README 的表里还有 LongCat-Audio-DiT 等模型。本报告没有核实它们的发布方和发布时间，正文也没有对应章节，所以没有列入。
  • SIM 一律换算成百分数（×100）。
  • 粗体 = 不计闭源参照行（Seed-TTS、MiniMax-Speech）时的列内最优。闭源 Seed-TTS 的 SIM（zh 79.6 / en 76.2 / hard 77.6）其实高于表中所有开源模型。

CV3-eval 多语种（IndexTTS README 自报，WER↓ / SS↑，5 语种平均，阿语为内部测试集）：Fish S2 Pro 5.94 / 64.49；IndexTTS2.5-RL 6.00 / 73.63；OmniVoice 6.76 / 70.39；VoxCPM2 7.22 / 72.02。

5. 综合对比表#

显示列
模型发布方发布时间开源 / 商业中文英文多语种克隆情感 / 指令控制延迟 / 流式（多为自报）价格 / 许可代表性榜单
Eleven v4 / v4 Turbo
商业 卡片↗
ElevenLabs2026-09-28商业支持（官方称普通话、粤语提升大；无中文盲测）★★★★★90+10 秒 IVC + PVC可叠加的内联音频标签；多说话人；context stitchingTurbo 推理约 100ms，首声约 150ms，双向流式$40（Turbo）/ $80 每百万字符（AA）AA Provider #1/#2
Qwen-Audio-3.1-TTS-Plus / Flash
商业 卡片↗
阿里2026-09-23商业支持，多方言（具体列表未核实）支持多语种 + 跨语言音色迁移✓（Flash 对噪声参考更鲁棒）free-style 指令 + 标签Flash 支持 WebSocket 流式（无毫秒数）Plus $19.3（AA，官方价未核实）；Flash 输出 12 元/百万 Token；3.0-Plus 1.4 元/万字符AA Provider #3、Controlled #2
Sonic 3.6
商业 卡片↗
Cartesia2026-08-27商业无公开数据强44 种语言 / 61 localeIVC随上下文调整情感（官方自述）首包 <90ms$49（AA）AA Provider #4
Gemini 3.8 Flash TTS / Flash-Lite
商业 卡片↗
Google2026-09-23商业支持（100+ 种语言之一）强100+30 秒复刻（需同意录音）自然语言导演、双人对话；官方称可保持数小时长音频稳定无数字输入 $0.5 / 输出 $9 每百万 token（2027 起翻倍）；AA 折算 $16.5 / $11AA Provider #5 / #8；Controlled #18 / #13
Realtime TTS-2 / TTS-2 Flash
商业 卡片↗
Inworld2026-08-31 GA商业支持（100+ 种语言之一）强100+5~15 秒自然语言方向 + 感知前文音频中位首包 <200ms$20.8 / $10.4（AA）AA Provider #7 / #13
HeyGen Voice
商业 卡片↗
HeyGen2026-10-09商业文档语言列表含 zh支持39 种基础语言代码（文档）单段录音 IVC；PVC 需 30 分钟~3 小时新闻稿称有自然的强调、情感、角色感和节奏（厂商自述）有 SSE 流式接口（无毫秒数）新闻稿称平台和 API 内免费；AA 标 $30；PVC 附加 $99/月AA Controlled #1（1195）
Simba 3.2
商业 卡片↗
Speechify2026-07（AA）商业未核实未核实未核实未核实未核实未核实$6.6（AA）AA Provider #9、Controlled #9
Speech 2.8 HD / Turbo
商业 卡片↗
MiniMax2026-01-23商业支持（优化了中日跨语言）强多语种10 秒语气标签未核实$100 / $60（AA）AA 1175；Arena V2 1540
豆包语音合成 2.0
商业 卡片↗
字节 / 火山引擎2025-10-16商业支持（未上公开榜）-未核实声音复刻 2.0自然语言控制；公式朗读准确率 90%（官方）未核实2.1~2.8 元/万字符（资源包）未上榜
StepAudio 2.5 TTS
商业 卡片↗
阶跃星辰2026-04-16（AA 另有 2026-08 条目）商业支持支持未核实零样本全局 + 句中语境未核实$85（AA）AA Provider 1211（8 月条目）/ Controlled 1074
Fish Audio Drama 3
开源/开放权重 卡片↗
Fish Audio2026-10-13开放权重（社区许可）支持（分语种等级未公布）强83✓自由形式方括号指令 + 局部标签支持流式（首包未核实）年营收 <50 万美元可免费商用；API $50（推广价 $10）AA 开放权重 #1（1243）
Fish Audio S2 Pro
开源/开放权重 卡片↗
Fish Audio2026-03开放权重（研究许可）Tier 1强80+✓15,000+ 种标签H200 上首包约 100ms商用需授权Seed zh 0.54 / en 0.99（转引）
Breeze TTS 2
开源/开放权重 卡片↗
BreezeBlue2026-08-25开放权重（非商用）✓✓仅中英✓Voice Design / Direction / 声音事件H100 上 TTFA <40ms非商用；API $34AA 开放权重 #2
Qwen3-TTS
开源/开放权重 卡片↗
阿里通义2026-01-22Apache-2.0强，含方言音色强103 秒指令 + Voice Design首包最低 97ms免费商用Seed zh 0.77 / en 1.24（自报）
Fun-CosyVoice3-0.5B
开源/开放权重 卡片↗
阿里通义2025-12Apache-2.0强（18+ 方言）中上9✓指令（方言、情绪、语速）双向流式约 150ms免费商用RL 版 zh 0.81 / hard 5.44
VoxCPM2
开源/开放权重 卡片↗
OpenBMB2026-04Apache-2.0强（9 种方言）强30✓ 可控克隆Voice Design + 风格指令4090 上 RTF 0.13~0.30，支持流式免费商用zh 0.97 / SIM 79.5
IndexTTS-2.5
开源/开放权重 卡片↗
B 站2026-08-10开源（bilibili 许可）强强5✓音色 / 情感解耦、情感向量；语速 duration_factor 0.5~2.0x无毫秒数（可用 vLLM 部署）有规模门槛（以原文为准）CV3 跨语种平均 6.17，表中最优
OmniVoice
开源/开放权重 卡片↗
k2-fsa2026-03/04权重 CC-BY-NC✓✓600+✓属性设计、非语言符号RTF 0.025非商用HF Open TTS 多语种 #1
Higgs TTS 3
开源/开放权重 卡片↗
Boson AI2026-06非商用 + 创作者授权✓✓102✓丰富的情绪 / 风格 / 韵律 tokenSSE 流式，首包亚秒级非商用SeedTTS 宏平均 1.11（Boson 重跑）
Voxtral TTS
开源/开放权重 卡片↗
Mistral2026-03CC-BY-NC-4.0✗✓9可适配新音色官方称有自然韵律和情感范围H200 上 70ms非商用；API $16AA 1088
Step-Audio-EditX
开源/开放权重 许可未核实 卡片↗
阶跃星辰2025-10~11代码 Apache-2.0，权重许可未核实✓（另有川、粤标签）✓+日、韩（2025-11-28）✓情绪 / 风格 / 副语言的迭代编辑；多音字控制未核实未核实AA 开放权重 #4（1097）
Chatterbox Turbo / Nano / ML-V3
开源/开放权重 卡片↗
Resemble AITurbo 2025-12；原版 2025-05（窗口外）MITML-V3 支持语言含中文强23+✓副语言标签 + exaggerationTurbo 面向低延迟；Nano 可在 CPU 运行免费商用（带水印）AA 1026（原版）
VibeVoice-Realtime-0.5B
开源/开放权重 卡片↗
微软2025-12-03MIT（官方不建议商用）未核实✓9 种语言的实验性音色--首包约 300ms研究向en WER 2.05
Pocket TTS
开源/开放权重 来源说法不一致 卡片↗
Kyutai2026-01-13（训练代码 2026-08）博客称 MIT / HF 标签 CC-BY-4.0（不一致）✗✓7 种欧洲语言✓（约 5 秒，gated）-2 核 CPU 首包约 200ms见许可列HF Open TTS en 1.62
Supertonic 3
开源/开放权重 卡片↗
Supertone2026-05OpenRAIL-M✗（31 种语言中不含中文）✓31--无流式有使用限制HF Open TTS en #2
Magpie Multilingual 357M
开源/开放权重 卡片↗
NVIDIA2025-12 / 2026-07NVIDIA Open Model License✓✓12✗固定音色-可商用AA 1065
Raon-OpenTTS-1B
开源/开放权重 卡片↗
KRAFTON2026-05-20（arXiv v1）Apache-2.0（开放权重 + 开放数据）✗✓仅英文✓（以参考音频为条件的零样本，见 §3.B.18）-未核实免费商用Seed-EN WER 1.78 / SIM 0.749
Kokoro-82M（窗口外）
开源/开放权重 卡片↗
hexgrad2025-01-27Apache-2.08 个普通话音色（质量未核实）强8 种语言 / 54 个音色✗-CPU 可运行免费商用HF Open TTS en #1

筛选分类由构建脚本按表格原文关键词归类：许可看“开源 / 商业”列；许可原文含“不一致”或“未核实”的单独归类；中文看“中文”列（以 ✗ 开头 = 不支持，“无公开数据 / 未核实”单列，其余视为支持）；语种数取“多语种”列中的第一个数字，日期不计（“仅中英”记为 2，“仅英文”记为 1）；价格取“价格 / 许可”列中的美元价（有“AA 折算”时取其中最低值，否则取最低标价；不含推广价、按 token 计价和按月订阅；人民币价不换算）。表格单元格始终显示原文。

（★ 和“强 / 中上”是根据上文榜单和自报数据做的定性判断，不是统一评测结果；“未核实”表示本次没有找到一手数据。）

6. 场景推荐#

选择你的场景（以下为报告原文）

6.1 中文实时语音 Agent（客服、陪伴、语音助手）#

  • 首选 API：Qwen-Audio-3.1-TTS-Flash。官方文档写明它面向实时交互，“支持多种语言和方言”和流式合成，按 token 计费（输出 12 元/百万 Token）。如果更看重音质，可以选 3.1-Plus（AA 总榜第 3、克隆榜第 2，AA 标价约为 Eleven v4 的 1/4）。
  • 备选：豆包语音合成 2.0（中文生态，资源包 2.1~2.8 元/万字符）、MiniMax Speech 2.8 Turbo。出海或多语种场景可选 Eleven v4 Turbo（首声约 150ms）、Inworld Realtime TTS-2（能感知前文音频，兼容 OpenAI Realtime 协议）、Cartesia Sonic 3.6（<90ms）。
  • 自托管：Qwen3-TTS 1.7B / 0.6B（Apache，首包最低 97ms；建议配合 Photon、vLLM-Omni 等优化引擎，同一份权重换引擎 TTFA 相差可达 17 倍），或 Fun-CosyVoice3-0.5B（双向流式约 150ms，方言多）。
  • ⚠️ 这些延迟基本都是厂商在 H100/H200 上自测的。上线前请用自己的网络和硬件实测 P50/P95 首包延迟。

7. 风险与注意事项#

  1. 榜单时效性：AA 在 2026-10-14 的快照里，前 10 名中有 9 个是近两个月发布的。X 上各日期帖子引用的 Elo 数值都不一样（比如 Eleven v4 在 1319~1328 之间）。选型前请重新查看实时榜单。
  2. AA 榜单只有英语口音（Controlled 榜明确是 4 个美音 + 4 个英音，Provider 榜筛选项只有 US/UK）。中文质量不能直接用 AA 排名推断，中文场景应以 Seed-TTS-eval（zh）、方言测试和自己的盲听为准。
  3. “开放权重” ≠ “可商用”：Drama 3（营收门槛）、S2 Pro、Breeze TTS 2、OmniVoice、Voxtral、Higgs TTS 3 都有商用限制；IndexTTS 使用自定义许可证。
  4. 价格口径不同：AA 统一折算为“每百万字符美元价”，阿里、火山引擎是“元/万字符”或“元/百万 token”，Gemini 按 token 计费，而且 2027-01-01 起涨价一倍。另外，Fish Drama 3 的官方 API 价（$50）与 AA 标注（$15）不一致。
  5. 合规：克隆功能普遍要求同意验证；Gemini 自带 SynthID，Chatterbox 自带 PerTh 水印。在国内上线还需要遵守深度合成相关规定（本报告未展开）。

8. 来源清单（均为本次实际抓取；arXiv 链接取自官方 README、卡片或博客，Raon 的摘要页已直接抓取）#

榜单与评测

商业模型

开源模型

X（交叉印证）

说明：“HF 仓库创建于”指 Hugging Face API 返回的 createdAt，可能早于正式公开发布的日期；正式发布日期以 README、博客中的 News 条目为准。