先划边界：站内此前已有两篇语音向文章各管一段，《本地优先的开源语音工作站 VoiceStudio 深度解析》拆的是单品，《云端 vs 本地语音 AI 横评》给的是云与本地的决策轴。本文与前两篇分工明确：不拆单品、不谈云端，只做一件事——把五个本地语音克隆工具箱放在同一张桌子上，按「你拿它干什么」来选型。至于「谁最像某个商业语音产品」，这不是本文的评价轴；五种开源路线各自把克隆做成了什么形态、什么人该拿哪把刀，才是。
五个主角形态完全不同：VoiceStudio 是开箱即用的桌面应用，GPT-SoVITS 是训练框架，fish-speech 走「模型+服务」路线，IndexTTS 主打工业级零样本，CosyVoice 是许可最宽但仓库已停摆的对照项。星数方面，GitHub API 2026-10-15 快照实测：VoiceStudio 66,399、GPT-SoVITS 62,825、fish-speech 33,132、IndexTTS 24,481、CosyVoice 23,972。星数不等于好用，但它大致划出了社区注意力的次序——两个六万级选手已经把后面三个甩开了一倍以上。
横评比的不是音质分，是形态
先说清一个纪律：音质是很主观的东西，没有统一测试集与回放环境的横评音质分没有参考价值，所以本文不写任何没核过的主观音质分。这五者的真正差异在形态——形态决定上手门槛，决定你能把它接进什么工作流，也决定许可上要留多少神。下表每格都有出处：星数与维护状态来自 GitHub API 2026-10-15 快照，许可证均按仓库 LICENSE 原文核对。
<table> <thead> <tr><th>项目</th><th>星数（2026-10-15 快照）</th><th>许可证（核真方式）</th><th>形态</th><th>上手门槛</th><th>适配场景</th></tr> </thead> <tbody> <tr><td>VoiceStudio</td><td>66,399</td><td>AGPL-3.0（LICENSE 原文已核）</td><td>Electron 桌面应用，开箱即用</td><td>最低：装完即用，不碰命令行</td><td>立刻要用的个人创作者、有声内容工作流</td></tr> <tr><td>GPT-SoVITS</td><td>62,825</td><td>MIT（LICENSE 原文已核）</td><td>训练框架</td><td>中：需自己跑训练流程</td><td>想炼出专属音色的玩家与团队</td></tr> <tr><td>fish-speech</td><td>33,132</td><td>Fish Audio Community License v1.0（LICENSE 原文已核，自定义许可）</td><td>模型+服务</td><td>中：本地部署或走官方服务</td><td>接 API 做产品的开发者（注意许可门槛）</td></tr> <tr><td>IndexTTS</td><td>24,481</td><td>bilibili Model Use License（LICENSE 原文已核，自定义许可）</td><td>工业级零样本 TTS</td><td>中：本地部署，无需微调</td><td>要零样本克隆的工程化场景</td></tr> <tr><td>CosyVoice</td><td>23,972</td><td>Apache-2.0（LICENSE 原文已核）</td><td>模型+训练</td><td>中：开发者向</td><td>要宽许可随便改的场景（注意仓库停摆）</td></tr> </tbody> </table>先给一句话结论，后面逐个展开：想立刻在桌面上用，看 VoiceStudio；要训练自己的音色，看 GPT-SoVITS；要接 API 做产品，看 fish-speech——但先把它的社区许可读完；要工业级零样本，看 IndexTTS——同样要看许可条款；要 Apache 宽许可随便改，看 CosyVoice——但要接受它近五个月没有一次代码提交的现实。
VoiceStudio：把克隆装进一个桌面应用
五强里唯一让「装完就能用」成立的是 VoiceStudio。它走的是最重的产品化路线：Electron 桌面应用，下载、安装、点开就用，不需要碰命令行，也不需要自己搭推理环境。默认引擎是 k2-fsa/OmniVoice（仓库地址：github.com/k2-fsa/OmniVoice，14,570 星，Apache-2.0），官方口径支持 646 种语言。
v0.5.6 这一版把产品边界又推宽了一圈：新增 Twilio 集成，可以让克隆出来的音色直接接听电话，默认关闭、走签名 webhook 验证、单次流令牌，防滥用措施是跟着功能一起发布的；同时支持与 Claude Code、Cursor、Codex CLI、OpenAI Agents SDK 集成；8GB 显存的 GPU 就能跑长篇有声书；克隆用的声音样本也可以随时替换。对想把它接进自己工具链的开发者，它在本地开放 3900 端口提供 OpenAI 兼容 API，还带 MCP 支持——这意味着你既可以用图形界面点着用，也可以让 agent 调它干活。
许可证是 AGPL-3.0，LICENSE 原文已核。这是典型的强 Copyleft 许可：自己用、给自己做内容没有问题；但如果修改它的代码再对外分发（尤其是做成网络服务），整份衍生代码都要按同一许可开放。个人创作者几乎感知不到这条线的存在，想要拿它二次开发闭源产品的团队则必须在动手前想清楚。
仓库地址：debpalash/VoiceStudio，也可直接访问 github.com/debpalash/VoiceStudio。
GPT-SoVITS：一分钟素材，练出你的音色
GPT-SoVITS 代表的是另一条路线：不给你一个「别人的好声音」，而是给你一套训练框架，把你自己的声音炼成模型。官方口径是约一分钟的数据即可完成微调，这在对素材量要求苛刻的个人场景里是很实际的卖点——你不需要录几个小时，一段干净的自述录音就有得炼。
它是五强中的老牌选手，也是中文社区里公认声量最大的声音克隆方案之一，62,825 星的社区规模（GitHub API 2026-10-15 快照）意味着教程、数据集处理经验、常见坑的答案在中文互联网上基本都能搜到。上手门槛比桌面应用高：你要自己处理数据集、自己启动训练、自己部署推理，换来的是对音色与训练过程的完全掌控。
许可证是 MIT，LICENSE 原文已核。五强里许可最宽的两个之一：商用、修改、再分发都不设门槛，唯一要求是保留版权声明。如果你打算训练自己的音色并把它用进产品里，GPT-SoVITS 是五强中许可侧最省心的训练路线。
仓库地址：RVC-Boss/GPT-SoVITS，也可直接访问 github.com/RVC-Boss/GPT-SoVITS。
fish-speech：SOTA 口径与一份要细读的社区许可
fish-speech 的社区口径是常被排在 SOTA 开源 TTS 一档的模型，「模型+服务」的形态意味着你既可以本地部署，也可以用官方的在线服务。33,132 星（GitHub API 2026-10-15 快照）与活跃的提交记录说明它在持续迭代。
但选它之前，有一份文件必须读完：Fish Audio Community License v1.0，2026-10-13 更新，本文已按仓库 LICENSE 原文逐条核对。它的结构分三层。第一层，研究与非商业用途免费授权，个人使用、评测测试都在此列。第二层，社区商用授权：年营收低于 50 万美元（原文称 Revenue Threshold）的实体可以商用；一旦达到或超过这个门槛，须在三十天内书面通知 Fish Audio（[email protected]），之后有九十天过渡期，过渡期结束后继续商用需要另行签订书面许可。第三层，托管服务（Hosted Service）单独卡死：无论你的年营收是多少，把模型开放给第三方、让他们用自己的输入生成语音——通过 API、SDK、模型托管服务，或以语音合成、配音、声音克隆为主业的网站与应用——都需要单独的书面许可。原文也写明了不算托管服务的例外：给自己产品里自己控制的内容配音、以成品交付的工作室或外包（不向客户提供自助或自动化访问）、免费非营利的 research demo（如 Hugging Face Space）。
还有几条容易被忽略的红线：分发材料或衍生作品时须附上协议副本，并在网站、界面或文档的显著位置标注 "Built with Fish Audio"；未经本人同意不得克隆可识别自然人的声音；不得去除或规避水印与溯源信号；不得用模型输出去训练或蒸馏其他语音生成模型。产出物归属写明：在法律允许范围内，模型生成的输出归使用者所有。
一句话概括：小团队接 API 做产品是明确放行的，但「做一个给大众用的语音克隆平台」这件事，无论你多小都需要另谈。本文只做条款转述，不构成法律意见，商用前请自行确认。
仓库地址：fishaudio/fish-speech，也可直接访问 github.com/fishaudio/fish-speech。
IndexTTS：B站的工业级零样本
IndexTTS 是 B 站（bilibili）出品的工业级零样本 TTS：不训练、不微调，拿几秒参考音频直接克隆，面向工程化场景。24,481 星（GitHub API 2026-10-15 快照），仓库最近一次提交在 2026-09-29，维护状态正常。
许可是一份自定义文本：bilibili Model Use License，本文已按仓库 LICENSE 原文核对。它没有一刀切禁止商用，但设了两条硬线。第一条是规模门槛：如果你或你的关联方产品月活跃用户超过 1 亿，或上一自然年度营收超过 10 亿元人民币，就必须另行向 B 站申请许可，且是否授予由 B 站单方决定——在此之前你不被授权使用。第二条是模型隔离：不得用 bilibili indextts2 或其衍生作品去改进任何其他 AI 模型，例外只有三种情形——改进 IndexTTS 本身、其衍生作品，或非商用 AI 模型。下游义务也要留意：向下游分发时须让对方接受同等协议约束、保留版权声明；分发衍生作品时须声明「修改未经原权利人背书」。
另有两处值得记录的条款：高风险场景（医疗诊断、自动驾驶、军事应用、关键基础设施控制、大规模生物识别监控、自动化决策）被明确列为禁用或须自担全部合规义务；法律适用为中华人民共和国法律，争议提交上海仲裁委员会仲裁，且中英文版本冲突时以中文版为准——对海外使用者来说，这意味着他们签的实际上是一份以中国法与中文文本为准的协议。
仓库地址：index-tts/index-tts，也可直接访问 github.com/index-tts/index-tts。
CosyVoice：最宽的许可，停摆的仓库
CosyVoice 来自阿里 FunAudioLLM，是五强中唯一采用 Apache-2.0 的项目，LICENSE 原文已核——商用、修改、再分发、做衍生模型都没有附加门槛，这是五强里最宽的许可。23,972 星（GitHub API 2026-10-15 快照）的存量社区不小。
但对照项的价值在于提醒：截至快照日，仓库最近一次代码提交是 2026-05-25，距今已近五个月没有 push。仓库本体也已迁移——访问原地址 FunAudioLLM/CosyVoice 会被重定向到 QwenAudio/CosyVoice，星数与历史不变。Apache-2.0 意味着你完全可以拿它自用、自己维护 fork，宽许可配上「冻结的上游」其实是一种常见组合；但如果你的选型标准里包含「社区持续修 bug、持续适配新硬件」，这五个月就是必须掂量的沉默成本。顺带一提，识别向的「听」另有专文（五款开源流式 ASR 横评），本文只管「说」。
仓库地址：FunAudioLLM/CosyVoice（现重定向至 QwenAudio/CosyVoice），也可直接访问 github.com/QwenAudio/CosyVoice。
选型路线：从「你想干什么」出发
把许可与形态合起来，路线其实很清楚。
想立刻用、今天就要出成品：VoiceStudio。桌面应用开箱即用，v0.5.6 连接电话和 agent 集成都备好了，AGPL-3.0 对个人使用没有实际约束。
要训练自己的音色、追求掌控感：GPT-SoVITS。一分钟素材微调的官方口径、中文社区最大的经验池、MIT 许可，训练路线里最没有后顾之忧的选择。
要接 API 做自己的产品：fish-speech，前提是年营收低于 50 万美元、且不构成托管服务；做的是给自己内容配音或成品交付，条款写得明白。规模超过门槛或要做面向大众的克隆平台，先联系 Fish Audio 另签书面许可。
要工业级零样本、不想碰训练：IndexTTS。几秒参考音频直接克隆，工程化场景对口；月活过亿或年营收超 10 亿元人民币、或想拿它的能力去改进别的模型之前，记得先读那两条硬线。
要 Apache 宽许可、一切自己说了算：CosyVoice。许可零门槛，但要接受上游停摆近五个月的事实——选它等于选了「自己当维护者」。
延伸阅读
FAQ
Q1：这五个工具都能完全在本地跑吗？
**A1：**五者的定位都是本地工具箱：VoiceStudio 是本地桌面应用（另提供本地 API 端口），GPT-SoVITS、fish-speech、IndexTTS、CosyVoice 均可本地部署推理。区别在于 fish-speech 与官方在线服务并存，本文只评估其本地形态；具体单机硬件需求请以各仓库文档为准，本文未做实测。
Q2：fish-speech 商用到底行不行？
**A2：**按 Fish Audio Community License v1.0 原文：年营收低于 50 万美元可商用；达到或超过门槛须三十天内书面通知，九十天过渡期后需另行签订书面许可。托管服务（向第三方提供语音生成能力）无论营收规模都需单独书面许可。给自己产品配音、成品交付、免费 research demo 是明确豁免的三类情形。
Q3：IndexTTS 的许可对什么人卡得最死？
**A3：**两类人：一是超大规模使用者——关联方月活超 1 亿或年营收超 10 亿元人民币者须另行申请许可；二是想「借力打力」的团队——不得用 IndexTTS 或其衍生作品改进其他 AI 模型（改进其自身、其衍生作品或非商用模型除外）。另外其协议以中国法律与中文文本为准。
Q4：我只想克隆自己的声音给自己的视频配音，选哪个最省事？
**A4：**VoiceStudio。桌面应用装完即用，克隆样本可替换，个人使用在 AGPL-3.0 下没有实际负担。想深度定制音色再考虑 GPT-SoVITS 的训练路线。
Q5：CosyVoice 停摆了还能用吗？
**A5：**能用。Apache-2.0 许可不变，代码与模型都在，仓库只是近五个月没有代码提交并迁移到了 QwenAudio 组织下。选它等于接受自己承担后续维护与适配，如果你有精力维护 fork 或只是稳定自用，它仍是许可最宽的选择。