主流模型
本文列出的语音转文字，都是开源、免费、可商用的
排行榜说明：
按照支持 中文好坏程度 进行排名
模型体积：为常用标准版大小，量化精简版体积更小
部署难度划分
- 极低：打开即用，零基础
- 低：简单命令，几步完成
- 中等：简单环境配置
- 中高/极高：专业技术门槛，新手难度大
代码支持
- ✅ 可代码调用、二次开发、编程学习、嵌入项目
- ❌ 仅桌面软件手动使用，无法代码开发
| 排名 | 模型名称 (出品方) | 中文效果 | 普及程度 | 模型体积 | 部署难度 | 代码支持 | 核心特点 | 明显缺点 |
|---|---|---|---|---|---|---|---|---|
| 1 | Index-TTS v2.0(Bilibili/开源社区) | 极高被誉为“语音克隆之王”，情感表现力极强，错词率低。 | 高2026年爆火，社区热度极高。 | 较大需GPU支持。 | 中需本地Python环境，依赖PyTorch。 | Python (GitHub开源) | 情感控制神了：支持文本描述情感（如“极度悲伤”），音色与情感解耦，能让AI真正“演”出戏来。 | 资源占用较高，对显卡有一定要求；主要侧重中文，多语言支持相对较弱。 |
| 2 | Qwen3-TTS(阿里巴巴/通义千问) | 极佳端到端建模，语调自然，逻辑重音准确，综合能力强。 | 极高背靠阿里生态，开发者基数大。 | 中等1.7B参数版本。 | 低/中支持CPU部署 (OpenVINO加速)，也有GPU版本。 | Python (GitHub/魔搭) | 综合能力最强：支持10种语言；声音克隆；极强的上下文理解能力；CPU可运行。 | 情感细腻度略逊于Index-TTS的极致微调；大模型版本对内存有要求。 |
| 3 | Fun-CosyVoice3(阿里巴巴/通义百聆) | 优秀企业级基座，声音自然流畅，跨语种克隆能力强。 | 高企业应用广泛，开源下载量大。 | 轻量0.5B版本适合边缘端。 | 中标准PyTorch部署。 | Python (GitHub/魔搭) | 跨语种克隆：3秒录音即可克隆；支持18种方言；流式识别延迟低；适合客服/有声书场景。 | 相比Qwen3-TTS，在复杂语义理解上稍弱；更偏向于通用语音合成。 |
| 4 | VoxCPM2(面壁智能/清华) | 良好方言支持是其最大亮点，Voice Design功能独特。 | 中学术圈和极客圈较流行。 | 较大需高性能GPU。 | 高部署流程相对复杂。 | Python (GitHub) | 方言大师：支持9种中国方言（粤语等）；Apache 2.0协议；声音设计能力强。 | 纯中文朗读的自然度略低于Index-TTS；对硬件资源消耗较大。 |
| 5 | OmniVoice(小米) | 优秀在中文测试集上词错误率(WER)低至0.84%，清晰度高。 | 中在需要多语言支持的开发者中流行。 | 较大支持海量语言。 | 中标准PyTorch部署。 | Python (GitHub) | 语言数量之王：支持超过600种语言，是全球化内容创作的利器。 | 相比顶尖模型，在情感的细腻度和演绎感上稍逊一筹。 |
| 6 | Fish Audio S2 | 优秀通过预设标签能精确控制语气，实现特定的情感表达。 | 中在需要精确控制情感的创作者中流行。 | 中等 | 中需学习其情感标签系统。 | Python (GitHub) | 情感标签库：内置超过1500种情感标签，可控性强，适合批量生成特定情绪语音。 | 需要学习和使用其情感标签系统，上手有一定学习成本。 |
| 7 | Sambert-Hifigan(ModelScope) | 合格接近真人，但情感稍弱，能满足基础播报需求。 | 中低主要用于中小企业降本替代方案。 | 小轻量级。 | 低纯CPU友好，极易部署。 | Python (Flask API) | 极致轻量：专为CPU优化，无需显卡；成本低；适合对情感要求不高的客服/播报场景。 | 情感表现力一般，缺乏大模型的“演绎感”；声音略显机械。 |
| 8 | MOSS-TTS-Nano(复旦大学) | 良好音质清晰，能满足“够用就好”的标准，但不追求极致拟真。 | 中在硬件配置有限的用户中受欢迎。 | 极小仅1亿参数。 | 极低**纯CPU即可流畅运行**。 | Python (GitHub) | 硬件门槛终结者：让高质量语音合成在普通笔记本上也能轻松实现，成本极低。 | 音质和自然度无法与大参数模型相提并论。 |
1. 综合生态之王：Qwen3-TTS (通义千问)
—— 部署最灵活、中文理解力最强的“全能选手”
Qwen3-TTS 是目前开源界综合使用率最高的模型，主要得益于阿里巴巴强大的生态支持和其对中文语境的完美适配。它打破了“高质量必须高算力”的魔咒，是目前极少数能在消费级显卡甚至纯 CPU 环境下流畅运行的高质量模型。
核心优势：
- CPU 也能跑： 它通过 OpenVINO 等工具优化，支持在 CPU 上部署。这意味着即使你没有昂贵的 NVIDIA 显卡，也能在普通服务器或个人电脑上实现高质量的语音合成，极大地降低了商用门槛。
- 中文理解力天花板： 依托通义千问大语言模型的语义理解能力，它在处理多音字、复杂的中文语法结构时表现极佳，几乎不会出现“读错字”或“断句奇怪”的情况。
- 全家桶策略： 提供了
Qwen3-TTS（高音质版）、Qwen3-TTS-Lite（轻量版）和Qwen3-TTS-Web（网页专用版），无论你是做实时对话、嵌入式设备还是云端服务，都有对应的版本可选。
适用场景： 有声书制作、智能客服、实时语音交互、对硬件成本敏感的商业项目。
2. 情感演绎之王：Index-TTS v2.0
—— 短视频与内容创作圈的“新晋顶流”
如果说 Qwen3 胜在稳健，那么 Index-TTS v2.0 就是胜在“像人”。它是 2026 年 4 月爆火的开源项目，被社区誉为“语音克隆之王”。它解决了传统 TTS “莫得感情”的痛点，是目前内容创作者（尤其是短视频、游戏解说）的首选。
核心优势：
- 神级情感控制： 它是目前开源界情感控制粒度最细的模型。支持“文本描述情感”（例如输入“用极度悲伤的语气说”），甚至支持情感向量混合（例如“30% 的忧伤 + 70% 的平静”）。
- 音色与情感解耦： 你可以用“郭德纲”的音色，让他用“林黛玉”的语气说话。这种音色/情感分离的技术，让它在创意配音领域几乎没有对手。
- 极低的错词率： 针对中文进行了深度优化，中文错词率（WER）低至 1.3%，即使是生僻字也能精准识别。
适用场景： 影视解说、短剧配音、游戏角色语音、需要强烈情绪表达的创意内容。
总结：你应该选哪个？
- 如果你是开发者或企业，需要低成本、高稳定的通用方案，且硬件资源有限 $\rightarrow$ 首选 Qwen3-TTS。
- 如果你是自媒体创作者，追求爆款视频、情感丰富的配音，且拥有一定显卡资源 $\rightarrow$ 首选 Index-TTS v2.0。
速度与资源占用详细对比
分为三个梯队：高性能梯队（吃资源但效果好）、均衡梯队（速度与效果并存）和轻量化梯队（极速且省资源）。
测试基准： 生成 1 秒音频所需的时间（RTF，越小越快）及最低显存/内存门槛。
硬件参考： 高端显卡 (RTX 4090) vs 普通办公本 (无独显/16GB内存)。
| 排名 | 模型名称 | 速度表现 (RTX 4090) | 资源占用 (显存/内存) | 弱硬件表现 (CPU/老显卡) | 核心瓶颈/特点 |
|---|---|---|---|---|---|
| 1 | Index-TTS v2.0 | 中等约 0.03s - 0.05s(实时率 RTF < 0.1) | 较高需 8GB+ 显存推荐 12GB+ | 较差CPU 模式极慢，生成 1 秒音频需 3-5 秒，几乎不可用。 | 自回归架构导致无法并行计算；音色编码器是“显存杀手”。 |
| 2 | Qwen3-TTS | 极快约 0.01s - 0.02s(RTF < 0.05) | 中等1.7B版: 4-6GB0.6B版: 2-3GB | 优秀CPU 模式下依然流畅，0.6B 版本在普通笔记本上也能实时生成。 | 采用 Flash-Attention 加速，支持流式生成，优化极佳。 |
| 3 | Fun-CosyVoice3 | 快约 0.04s(接近实时) | 低0.5B版本仅需 2-4GB非常省资源 | 良好边缘设备（如 Jetson Orin）上可运行，但有一定延迟。 | 模型结构相对紧凑，专为端侧和云端高并发设计。 |
| 4 | VoxCPM2 | 中等约 0.06s(比 Index 稍慢) | 高需 8GB+ 显存推荐 16GB+ | 较差对显存带宽敏感，老显卡容易爆显存。 | 参数量大，且方言模块增加了额外的计算负担。 |
| 5 | OmniVoice | 中等约 0.05s(标准速度) | 较高因支持 600+ 语言模型体积庞大 | 一般CPU 推理较慢，建议至少使用入门级独显。 | 庞大的语言库导致模型权重文件大，加载和推理都比较吃内存。 |
| 6 | Fish Audio S2 | 快约 0.03s(标签处理需时间) | 中等4-6GB 显存 | 一般情感标签解析会增加 CPU 负担，GPU 推理较快。 | 主要是情感标签系统的预处理会消耗少量时间，但核心合成很快。 |
| 7 | Sambert-Hifigan | 极快约 0.01s(工业级速度) | 极低< 2GB 内存CPU 跑满也很快 | 极佳纯 CPU 部署首选，服务器成本低。 | 模型结构简单（非大模型架构），计算量小，适合大规模并发。 |
| 8 | MOSS-TTS-Nano | 快约 0.02s(专为速度优化) | 极低< 1GB 内存几乎无门槛 | 极佳树莓派、老旧电脑均可流畅运行。 | 仅 1 亿参数，牺牲了部分音质换取了极致的轻量化。 |
1. 速度与资源的“全能冠军”：Qwen3-TTS
- 为什么选它： 它是目前唯一在“速度”、“音质”和“资源占用”三者之间找到完美平衡的模型。
- 硬件红利： 它的
0.6B版本（Lite版）简直是神作，在只有 4GB 显存的显卡（如 GTX 1050Ti）甚至纯 CPU 环境下，都能跑出接近实时的速度。如果你是用普通办公本做开发，这是唯一推荐的大模型选择。
2. 追求效果的“富贵之选”：Index-TTS v2.0
- 为什么选它： 虽然它慢，但它的情感是无敌的。
- 硬件门槛： 它非常“挑食”。如果你没有 RTX 3060 (12GB) 或更高级别的显卡，体验会大打折扣。它的自回归机制决定了它无法像其他模型那样“批量生产”音频，必须一个字一个字地算，所以在低端显卡上会感到明显的卡顿。
3. 极致省钱的“跑量之王”：Sambert-Hifigan & MOSS-TTS-Nano
- 为什么选它： 如果你是要做那种“新闻播报”或者“简单的提示音”，不需要情感起伏，这两个模型是省钱利器。
- 部署优势： 你不需要买昂贵的 GPU 服务器，几十块钱一个月的 CPU 云服务器就能跑满并发。MOSS-TTS-Nano 更是把体积压缩到了极致，适合嵌入到 APP 或小程序中。
4. 长文本与多语言的“特种部队”：VoxCPM2 & OmniVoice
- 资源陷阱： 这两个模型因为功能太强（方言多、语言多），导致模型体积很大。虽然推理速度尚可，但启动慢（加载模型时间长），且容易占满显存。如果你显存小于 8GB，运行这两个模型很容易出现“爆显存”崩溃的情况。
💡 最终建议
- 只有一张普通显卡 (8GB 以下) 或 只有 CPU： 请死磕 Qwen3-TTS (0.6B版) 或 MOSS-TTS-Nano。
- 有高端显卡 (3060/4090) 且追求效果： Index-TTS v2.0 值得你等待那几秒的生成时间。
- 企业级高并发部署 (省钱)： Sambert-Hifigan 是最稳妥、成本最低的方案。