作者为搭建视频配音工作流，测评并整理了 10 个开源 TTS 项目，按用途分为四组：中文配音带情绪（IndexTTS、VoxCPM、Qwen3-TTS、CosyVoice）、声音克隆与个性化（GPT-SoVITS、Chatterbox）、多人对话与播客（Fish Speech、SoulX-Podcast）、轻量实时（Kokoro、VibeVoice-Realtime）。文章为每个工具提供官方安装命令、可直接复制给 Agent 的提示词、显存配置要求、许可证说明及踩坑经验，强调选型应先看用途和显卡配置，再看 GitHub 星数。
作者用24秒自己的录音实测了Qwen3、VoxCPM2、Index 2.5、Index 2.0和小米MiMo五款TTS工具的语音克隆效果。每款读取相同两篇文案，从音色相似度、语气控制、生成耗时等维度对比。结果显示VoxCPM2和Index 2.0效果最好，是本地方案的首选；Qwen3可用但调节空间有限；小米MiMo通过API云端生成，适合不想本地部署的用户。文章还详细介绍了各工具的界面功能和在RTX 4070 Ti SUPER上的实际等待时间。
文章介绍了近期开源AI视频和音频工具的密集发布，包括MiniMax H3、IndexTTS-2.5、LTX-2.5、Wan-Animate-2和NAVA等。这些工具覆盖了配音、角色驱动、多镜头和后期制作等环节，标志着开源AI视频从生成短片段向完整生产流水线转变。作者强调了各工具的特点，如IndexTTS-2.5的音色克隆和情绪控制，LTX-2.5的原生多镜头支持，以及NAVA的同步音画能力，并表达了对开源社区活跃度的欣喜。
