硬核横评
硬核横评

语音克隆五强横评:谁替你把嗓子留在本地

五个本地语音克隆工具箱同台横评,纪律先行:不写任何无统一测试集背书的主观音质分,星数与维护状态取 GitHub API 2026-10-15 快照,许可证逐一按仓库 LICENSE 原文核对,按「你拿它干什么」选型。五强形态各异:VoiceStudio(debpalash/VoiceStudio,66,399 星,AGPL-3.0)Electron 桌面应用开箱即用,默认引擎 k2-fsa/OmniVoice(14,570 星,Apache-2.0,官方口径 646 种语言),v0.5.6 新增 Twilio 电话集成与 Claude Code/Cursor/Codex CLI/OpenAI Agents SDK 集成,本地 3900 端口开放 OpenAI 兼容 API 并支持 MCP,8GB 显存可跑长篇有声书——但 AGPL 强 Copyleft,改代码做网络服务须整份开源;GPT-SoVITS(RVC-Boss/GPT-SoVITS,62,825 星,MIT)训练框架路线,官方口径约一分钟素材即可微调,中文社区经验池最大,许可侧最省心的训练路线;fish-speech(fishaudio/fish-speech,33,132 星)走「模型+服务」,Fish Audio Community License v1.0(2026-10-13 更新)三层结构:非商业免费、年营收低于 50 万美元可商用(超线 30 天书面通知+90 天过渡)、托管服务无论营收须单独书面许可,另有禁克隆真人声、禁蒸馏、须标注 Built with Fish Audio 三条红线;IndexTTS(index-tts/index-tts,24,481 星,bilibili Model Use License)工业级零样本,几秒参考音频直接克隆,但关联方月活超 1 亿或年营收超 10 亿元人民币须另行申请,且禁用其改进其他 AI 模型;CosyVoice(23,972 星,Apache-2.0)许可最宽但上游停摆近五个月、仓库已迁 QwenAudio/CosyVoice,选它等于自己当维护者。与站内 VoiceStudio 单品篇、云本地决策轴篇分工声明。仓库地址五枚齐列。

发布于 2026年10月15日10 分钟阅读
<!-- voice-cloning-toolkit-comparison-review | review | 语音克隆五强横评:谁替你把嗓子留在本地 -->

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(business@fish.audio),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。

本文由 AI 辅助生成,经人工审核编辑。最后更新:2026-10-15

常见问题

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。
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。
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。
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。
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。

相关文章

硬核横评

开源TTS模型对比:八强里第一名的权重不能商用

八款开源 TTS 合成模型横评(星数为 2026-10-31 GitHub API 实测):GPT-SoVITS 64,311(MIT)、VoxCPM 40,862(Apache-2.0)、fish-speech 33,502、index-tts 24,829、CosyVoice 24,196(仓库已迁 QwenAudio org)、KittenTTS 16,717、F5-TTS 15,490(代码 MIT)、breeze-tts 1,230。许可三档是主线:放心商用(VoxCPM2/CosyVoice/GPT-SoVITS/KittenTTS 2);权重非商用(Breeze TTS 2 自托管输出也禁、F5-TTS 权重 CC-BY-NC、Fish S2 Pro 研究限定);条件商用最易误判——IndexTTS-2.5 仅 MAU 超 1 亿或年营收超 10 亿元人民币才需另行授权(LICENSE 原文核实),中小团队实际可用,Fish Drama 3 年营收低于 50 万美元可商用但禁托管、须署名。AA 榜只同快照内比:8 月 26 日快照 Breeze 1215 领先 Fish S2 Pro(1125)90 分;9 月 25 日快照 Breeze 1205 全榜第九、与榜首 Sonic 3.6(1279)差 74 分,跨快照严禁混排。硬件口径取 README 原文:Breeze 7.7/14.4GiB、VoxCPM2 约 8GB(Nano-vLLM RTF 0.13)、IndexTTS-2.5 RTF 0.2065(4090)、GPT-SoVITS RTF 0.028(4060Ti)、KittenTTS 2 nano int8 25MB CPU 可跑。六场景选型各给 1-2 款;落选四款(ChatTTS/MaskGCT/Maya 2/Audio8)带理由一段带过。

2026年10月31日10 分钟阅读
硬核横评

全双工语音六款横评:权重跑不起,能跑的太老

「全双工」是营销词与架构事实差距最大的语音赛道:六款逐项对——Block Dessa 原生全双工但无公开权重无 API;Fish Audio Drama 3 权重开源实为导演式 TTS(官方最低 48GB 显存);Eleven v4 Turbo 官方口径推理中位约 100ms、首声约 150ms、91 语言;阿里 Qwen-Audio-3.0-Realtime 端到端全双工但闭源 API;NVIDIA VoiceChat 11B 开源全双工+工具调用(448ms 轮替)却要 80GB 卡;豆包 Seeduplex 官方实锤全双工、关键数字均系传闻二手。开源侧「有权重的跑不起、跑得起的太老」(Moshi 7B 单 4090 可跑但仅英法 2024 款),九维度对比表每格标出处,矛盾口径并列不裁决。

2026年10月27日11 分钟阅读