先划边界：站内此前已经排好几张桌子——两篇语音克隆工具横评管的是「工具链」，全双工语音模型横评管的是「能听能说的对话形态」，云端与本地语音 AI 横评管的是「部署路线」。本篇补上最后一块：开源 TTS 合成模型本体的选型。不聊工具流程，不碰全双工对话，只把八款开源语音合成模型摆上同一张桌子，按参数量、许可证、速度、显存、语言与克隆能力逐项过堂。同批还有一篇 Breeze TTS 2 单体深评，架构与上手细节归那篇，本文只取它的选型关键数据。
八款入选者：Breeze TTS 2、VoxCPM2、IndexTTS-2.5、CosyVoice 2 与 Fun-CosyVoice 3.0、Fish Audio Drama 3 与 S2 Pro、GPT-SoVITS、F5-TTS、KittenTTS 2。星数均为截至发稿（2026-10-31）GitHub API 读数：GPT-SoVITS 64,311、VoxCPM 40,862、fish-speech 33,502、index-tts 24,829、CosyVoice 24,196、KittenTTS 16,717、F5-TTS 15,490、breeze-tts 1,230。星数划出了社区注意力的次序，但本文想先讲清一件事：在开源 TTS 这里，决定你能不能用的往往不是 star 数，而是许可。
八款速览：一张表看完全部口径
先给总表。每格都有出处：参数量与速度数字来自各仓库 README 原文，许可证按仓库与 LICENSE 文件核对，星数为 2026-10-31 快照。
<table> <thead> <tr><th>模型</th><th>参数量</th><th>许可（代码+权重）</th><th>速度与硬件口径</th><th>语言</th><th>一句话定位</th></tr> </thead> <tbody> <tr><td>Breeze TTS 2</td><td>约 3.5B</td><td>代码 Apache-2.0；权重研究非商用</td><td>首音频小于 40ms、RTF 0.32（H100）；eager 约 7.7GiB、fast-all 约 14.4GiB 显存</td><td>中英</td><td>开放权重榜第一，商用要绕道官方托管</td></tr> <tr><td>VoxCPM2</td><td>2B</td><td>代码+权重均 Apache-2.0</td><td>RTF 约 0.30（4090）、Nano-vLLM 约 0.13；约 8GB 显存</td><td>30 语言+9 中文方言</td><td>商用最省心的全能选手</td></tr> <tr><td>IndexTTS-2.5</td><td>0.8B</td><td>bilibili 自定义许可</td><td>RTF 0.2065（4090）</td><td>中英日西阿</td><td>细粒度情感与发音控制</td></tr> <tr><td>CosyVoice 2 / Fun-CosyVoice 3.0</td><td>0.5B</td><td>仓库 Apache-2.0；权重以模型卡为准</td><td>双向流式延迟低至 150ms</td><td>9 语言+18 中文方言</td><td>免许可实时流式的默认选项</td></tr> <tr><td>Fish Drama 3 / S2 Pro</td><td>35B-A3B / 4B</td><td>社区许可；S2 Pro 权重仅研究</td><td>S2 Pro RTF 0.195（H200）、首音频约 100ms</td><td>S2 Pro 约百种语言</td><td>多角色长内容工厂</td></tr> <tr><td>GPT-SoVITS</td><td>未标总量</td><td>MIT（底模文件另看）</td><td>RTF 0.028（4060Ti）、0.014（4090）</td><td>中英日韩粤</td><td>一分钟微调出专属音色</td></tr> <tr><td>F5-TTS</td><td>未标总量</td><td>代码 MIT；权重 CC-BY-NC</td><td>无官方口径</td><td>中英（Emilia 底模）</td><td>免对齐克隆的入门 baseline</td></tr> <tr><td>KittenTTS 2</td><td>1.7B（1-bit）/ 15M-80M</td><td>代码 Apache-2.0；权重须逐个核对</td><td>GPU 约 8GB 或 CPU 约 6GB 内存；nano int8 仅 25MB</td><td>20 种</td><td>端侧离线，CPU 免显卡</td></tr> </tbody> </table>Breeze TTS 2：榜第一，但权重要单看
Breeze TTS 2 是当前讨论度最高的开源 TTS：在 Artificial Analysis Provider Voice Arena 2026 年 8 月 26 日快照中，它以 Elo 1215 排在开放权重模型第一，领先同榜第二的 Fish Audio S2 Pro（1125）整整 90 分，评测方式是盲听一对一偏好投票。速度口径同样出自官方 README：H100 预热后的 fast path 下，首个音频小于 40ms，RTF 0.32，约 3.1 倍实时；显存 eager 推理约 7.7GiB，开 --fast-all 提到约 14.4GiB，建议 12GB 起步、fast path 24GB。
代价写在许可里：代码 Apache-2.0 随便改，但 README 原文写明模型权重、衍生模型与自托管输出仅限研究与非商用，商用只留了一条路——走官方托管平台付费订阅。想体验榜一音质的个人与研究场景可以直接上；要接进产品，先去读许可原文，或翻同批那篇单体深评。
仓库地址：breezeblue-ai/breeze-tts，也可直接访问 github.com/breezeblue-ai/breeze-tts。
VoxCPM2：商用最省心的全能选手
如果只许推荐一款「闭眼选不出事」的模型，是 VoxCPM2。OpenBMB 出品，2B 参数、tokenizer-free 的端到端扩散自回归架构，基于 MiniCPM-4 主干，代码与权重双双 Apache-2.0，README 明文 free for commercial use——八款里唯一把商用门槛完全拆掉的旗舰级模型。30 种语言加 9 种中文方言，输出 48kHz，二代新增的 Voice Design 可以纯文字描述造音色、不用录参考音频。
速度与硬件口径（4090）：PyTorch 推理 RTF 约 0.30，Nano-vLLM 加速后约 0.13；显存约 8GB。它还支持 GGUF 走 llama.cpp 在 CPU 与 Mac 上跑，想离线部署的团队可以留意。星数 40,862、最近仍在推送代码，社区活性与许可宽松度是它最强的两张牌。
仓库地址：OpenBMB/VoxCPM，也可直接访问 github.com/OpenBMB/VoxCPM。
IndexTTS-2.5：给情绪装上旋钮
B 站出品的 IndexTTS-2.5 是 0.8B 的轻量选手，支持中英日西阿五种语言，主打细粒度情感控制：语速可在 0.5 到 2.0 倍间调节，发音能用中文拼音、英文音素、日文假名逐字纠正——人名、术语多的播客与有声内容会喜欢这个。速度口径为 4090 上 RTF 0.2065，快于上一代 IndexTTS-2 的 0.3257，官方还给了 vLLM 生产部署方案。
许可是一份自定义文本：bilibili 模型使用许可允许免费使用，但月活超 1 亿或上一年度营收超 10 亿元人民币的主体须另行申请，也不许拿它改进其他 AI 模型。反差在这里：这组门槛对绝大多数中小团队等于没有——它其实是「条件商用」，不是「不能商用」，与 Breeze 那种无门槛拒绝是两种性质。
仓库地址：index-tts/index-tts，也可直接访问 github.com/index-tts/index-tts。
CosyVoice 2 与 Fun-CosyVoice 3.0：免许可的实时流式默认项
阿里的 CosyVoice 系仓库已迁至 QwenAudio 组织下，星数 24,196，仓库 Apache-2.0。Fun-CosyVoice 3.0 是 0.5B 的小模型，覆盖 9 种语言与 18 种以上中文方言，能力清单里有三样很实用：双向流式（文本流入加音频流出）延迟低至 150ms、中文拼音与英文音素的发音修正、免传统前端的文本规范化——数字、符号、日期直接朗读不用预处理。做实时语音 Agent 又不想碰自定义许可，它是默认选项。
两点留意：其一，仓库许可与权重许可以权重卡标注为准，本文未能终核权重卡，商用前请自行确认；其二，数字口径上，150ms 延迟出自官方 README，第三方实测有单张 6GB 显卡实时推理的说法，引用时分开记。
仓库地址：QwenAudio/CosyVoice，也可直接访问 github.com/QwenAudio/CosyVoice。
Fish Drama 3 与 S2 Pro：多角色长内容工厂
fish-speech 仓库 33,502 星，两款模型各管一段。Drama 3 是 35B-A3B 的 MoE 旗舰（每 token 激活 3B），主打多角色与长内容：多轮导演式改稿（「温柔一点，再悲伤一点」式指令重生成）、局部编辑改一个词保持音色衔接、场景化多角色生成、长对话流式，情感标签直接内联。做有声剧、播客剧这类多人长内容，它的能力面没有对手。
S2 Pro 是 4B 的轻量旗舰：约百种语言、10 到 30 秒参考音频快速克隆、RTF 0.195（H200）、首音频约 100ms，官方称小到一张消费级显卡就能部署。许可要分层记：社区许可对年营收低于 50 万美元的实体放行商用，但任何形式的托管服务一律需另行书面授权，且须标注 Built with Fish Audio；S2 Pro 的权重另受研究许可约束，仅限研究用途。
仓库地址：fishaudio/fish-speech，也可直接访问 github.com/fishaudio/fish-speech。
GPT-SoVITS：64K 星老将，一分钟炼出专属音色
GPT-SoVITS 是八款中星数第一（64,311），也是中文社区教程与经验积累最深的一款：5 秒语音零样本推理、约 1 分钟数据微调训练，WebUI 把数据标注、训练、推理全流程串完，中英日韩粤跨语种推理。速度是它的隐藏强项：RTF 0.028（4060Ti）、0.014（4090），1400 字文本在 4090 上仅 3.36 秒合成完毕，CPU 上也有可用速度。
许可为 MIT，代码商用、修改、再分发零门槛；需要留意的是微调底模与部分依赖组件在仓库内有各自的许可说明，模型文件与代码要分开看。要做角色音库、定制专属音色，它是社区生态最厚的那条路。
仓库地址：RVC-Boss/GPT-SoVITS，也可直接访问 github.com/RVC-Boss/GPT-SoVITS。
F5-TTS：免对齐克隆的入门款
F5-TTS 走流匹配路线，Diffusion Transformer 加 ConvNeXt V2，官方名号是「用流匹配伪造流畅且忠实的语音」。它的生态位是免对齐克隆：不要求参考音频的逐字精确转写，几秒样本即可起步，pip 装完就是 Gradio 界面，社区衍生移植众多，是轻量克隆实验的默认 baseline。代码 MIT、星数 15,490。
但它带着本批最典型的许可双轨：预训练权重因训练数据 Emilia 的缘故采用 CC-BY-NC，仅限非商用；官方也没有给出 RTF 与显存口径，部署前要自己实测。拿它学原理、做实验很顺手，拿它上线商业内容会踩权重那条线。
仓库地址：SWivid/F5-TTS，也可直接访问 github.com/SWivid/F5-TTS。
KittenTTS 2：把 TTS 塞进 25MB
KittenTTS 2 的双产品线覆盖两端：主线是 1.7B 参数的 1-bit 量化语音模型，仅 492MB，内置 115 种音色加克隆，支持 20 种语言；轻量线是 15M 到 80M 的 ONNX 模型，nano int8 版只有 25MB，CPU 免显卡可跑。硬件口径宽松：GPU 约 8GB 显存，或 CPU 约 6GB 内存加 2GB 磁盘，另有 llama.cpp 定制 fork 提供纯 C++ 推理。做端侧离线、嵌入式、浏览器内推理的场景，这一档几乎没有竞品。
许可要看仔细：代码 Apache-2.0 没问题，但主模型与各 ONNX 小模型分别带各自许可，条款未在本文终核——商用前必须逐个权重核对模型卡，这句话同样适用于「权重量化后许可是否变化」的问题。
仓库地址：KittenML/KittenTTS，也可直接访问 github.com/KittenML/KittenTTS。
落选者也有落选的理由
四款讨论度不低的模型没能进正赛。ChatTTS 的对话松弛感（笑声、停顿、语气词）至今独一档，但代码 AGPL-3.0 加权重 CC BY-NC 双重限制、仅中英、无声音克隆，仓库超过半年没有提交，选它要同时接受许可与维护两笔账。MaskGCT 权重 CC-BY-NC，发布已偏旧，但 ICLR 2025 非自回归范式的研究价值仍在，研究场景值得一看。Maya 2 Native 主打 11 种印度语言加英语，TTFA 约 14ms 与 Apache-2.0 很亮眼，仓库 10 月下旬才创建、星数两位数，生态太新且与中文用户相关性弱。Audio8-TTS-Realistic 有 0.6B 与 0.1B 两档、23 种语言，0.1B 的 ONNX 可作端侧备选，但仓库两千余星、缺官方速度与显存口径，建议再观察。
许可三档：本文最重要的清单
把八款的许可合并成三档，这是选型时最该截图的一节。第一档，可放心商用：VoxCPM2（代码加权重均 Apache-2.0）、CosyVoice 仓库（Apache-2.0，权重以模型卡为准）、GPT-SoVITS（MIT，底模文件另看）、KittenTTS 2（代码侧 Apache-2.0，权重未终核）。第二档，权重非商用或仅限研究：Breeze TTS 2（自托管输出也在禁列，商用走官方托管）、F5-TTS（权重 CC-BY-NC，代码 MIT）、Fish S2 Pro 权重（仅研究）。第三档，条件商用，也是最容易误判的一档：IndexTTS-2.5 只对月活超 1 亿或年营收超 10 亿元人民币的主体设限，中小团队实际可用；Fish Drama 3 对年营收低于 50 万美元的实体放行商用，但禁托管服务、须署名。代码宽松不等于权重宽松，权重宽松不等于输出可商用——三件事要分开查，重大商用决策前建议请法务复核原文。
场景化选型：你想干什么，决定拿哪款
实时语音 Agent：要榜一音质与最快开口，Breeze TTS 2（首音频小于 40ms，商用过许可关）；要免许可，Fun-CosyVoice 3.0 的 150ms 双向流式，或 VoxCPM2 加 Nano-vLLM 的 RTF 0.13。有声书与长内容：Fish Drama 3 的多角色、导演式改稿与局部编辑是量身定做；预算与显存有限退到 S2 Pro。自媒体配音：VoxCPM2 的 48kHz 加 Voice Design 免录参考音频；方言内容加 CosyVoice 3 的 18 种以上方言指令。角色音库与游戏：GPT-SoVITS 一分钟语料微调专属音色，情感戏份重的角色配 IndexTTS-2.5 的情感与拼音注音控制。端侧离线：KittenTTS 2 的 ONNX 线（nano int8 25MB）独一档，2B 级离线可上 VoxCPM2 的 GGUF。研究与复现：F5-TTS 的流匹配与 MIT 代码方便改造，MaskGCT 适合非自回归范式研究，评测可用 QwenAudio 出品的 CV3-Eval。
一句话收束：开源 TTS 没有一款能同时拿下快、像、省、商用自由四张牌——Breeze 拿下快与像但权重禁商用，VoxCPM2 拿下商用与均衡但爆发力不是第一，GPT-SoVITS 拿下定制与生态但吃训练功夫。选型本质是放弃，先想清楚你最舍不得哪张牌。
常见问题
Q1：想商用，八款里到底怎么选？
**A1：**按三档走。最省心是 VoxCPM2（代码加权重 Apache-2.0）与 GPT-SoVITS（MIT，注意底模文件）；条件商用的 IndexTTS-2.5 与 Fish Drama 3 读一遍营收与 MAU 门槛，多数中小团队在豁免线内；Breeze TTS 2、F5-TTS、Fish S2 Pro 的权重属非商用或仅研究，商用要么另谈授权、要么换托管方案。以上是条款转述，签约前请法务复核许可原文。
Q2：纯中文场景，哪个效果最好？
**A2：**看任务形态。要方言与流式选 Fun-CosyVoice 3.0（18 种以上方言加 150ms 流式）；要情感与发音精准选 IndexTTS-2.5（拼音注音纠正人名读音）；要通用质量与 48kHz 高采样选 VoxCPM2。各家自测表（如 CV3-Eval 框架下的 WER 与相似度）均由各自团队跑分，口径不一，不建议直接横向排序。
Q3：没有独立显卡，最低能跑哪款？
**A3：**KittenTTS 2 的 ONNX 线是底线答案：nano int8 版仅 25MB，CPU 约 6GB 内存即可推理；主线 1.7B 版 CPU 约 6GB 内存也能跑。有消费级显卡的话，VoxCPM2 约 8GB 显存、Breeze TTS 2 eager 约 7.7GiB 显存起步，GPT-SoVITS 在 4060Ti 上 RTF 0.028，属显卡入门档可用的范围。
Q4：声音克隆哪家强？
**A4：**看克隆方式。零样本快速克隆：Breeze TTS 2 参考音频 3 到 10 秒起步、Fish S2 Pro 10 到 30 秒、KittenTTS 2 的 5 到 30 秒；要音色高度定制，GPT-SoVITS 用 1 分钟语料微调，可控性最强；F5-TTS 免对齐，适合不想做逐字转写的快速实验。客观音质排名目前没有统一口径，Artificial Analysis 的受控克隆榜（2026 年 8 月快照，与上述表现力榜不是同一张榜）里 Breeze TTS 2 与 Fish S2 Pro 并列开放权重第三，仅供参考。
Q5：与付费 API（如 ElevenLabs）差距还有多大？
**A5：**以 Artificial Analysis 全榜 2026 年 9 月 25 日快照看：全场第一是闭源的 Cartesia Sonic 3.6（Elo 1279），开源阵营中排名最高的 Breeze TTS 2 以 1205 排在全榜第 9，头名差距约 74 分——同一张表内的比较。差距主要在极致表现力与语言覆盖广度；而在特定语言、方言、定制音色与本地部署可控性上，开源方案反而占优。榜单随投票持续变动，本文数字均带快照日期，请勿跨日期混比。