热门文字转语音 TTS 到底谁最强
文章评测了多款热门 TTS 工具：IndexTTS2 擅长情绪克隆，dots.tts 表现均衡，MiniMax 省心且速度快，GPT-SoVITS 最实用且门槛低。同时指出了 Qwen3-TTS 等工具的不足，并提供了本地部署的硬件建议。
相关文档
我测试了5个声音克隆项目，最后留下了这一个
本文分享了作者在制作AI视频过程中，从使用MiniMax云端API转向本地部署IndexTTS2的实践经验。作者详细对比了两者在中英混排发音、音频格式、离线能力、声线一致性及成本等方面的优缺点，最终选择了IndexTTS2以保障视频工作流的可控性与稳定性。
AI还原《倩女幽魂》经典台词：本地生成25秒写实古风短片
作者分享使用MiniMax模型在本地电脑（4070显卡16G显存）生成的25秒《倩女幽魂》AI视频，还原电影经典台词场景，无需花费token。文章附带了完整的视频提示词Skill框架，涵盖人物一致性设定、四镜头分镜设计（宁采臣与聂小倩的离别对白）、声音设计（原生中文对白、口型同步）及影像限制要求（宽银幕画幅、胶片质感、无字幕水印等），展示了AI视频生成在古风剧情短片创作中的应用效果。
一个人的 AI 视频生产线：从 MiniMax 到本地声音克隆与数字人
文章详细记录了作者构建个人 AI 视频生产线的全过程。包括从 MiniMax 云端声音克隆迁移到本地 IndexTTS2 以降低成本和延迟，解决参考音频漂移问题；接入 HeyGen 数字人实现虚拟分身，并通过脚本自动化视频合成与人脸裁切。文章分享了具体的代码配置、生产流程（脚本、配音、字幕、合成）以及避坑指南，适合高频视频创作者参考。
当前主流 TTS 文字转语音方案梳理
文章系统梳理了 2026 年主流开源 TTS 方案：CosyVoice 2 低延迟流式，适合实时语音 Agent 与数字人；GPT-SoVITS 擅长小样本音色微调与克隆；ChatTTS 拟人口语自然，适合 AI 播客；F5-TTS 与 Breeze-TTS 2 基于流匹配免对齐克隆，稳定性好；Fish Audio Drama 3 情绪表现力全面但算力要求高；MaskGCT 鲁棒性强，可处理气声耳语等极端发音；KittenTTS 2 体积极小，可在 CPU 端侧运行。各方案定位不同，读者可按延迟、音色、表现力与资源需求选型。
三天100万亿token，MiniMax开放权重背后的阳谋
文章分析MiniMax开放M3.1 Flash权重背后的战略逻辑。该模型曾以Space Bunny Alpha匿名形式在OpenRouter上线，72小时内消耗超100万亿token，性能超过前旗舰M3且成本减半。MiniMax通过开源最强模型，目标是让全球Agent默认运行在自己的模型上，与美国公司把模型锁进自家harness收订阅费的做法相反。文章对比中美模型公司的不同路径，并讨论了中国大模型技术出口登记政策及开源出海的规范化进程。
发布前我就测过的那只太空兔（Space Bunny），现在叫 MiniMax M3.1 Flash
作者在 MiniMax M3.1 Flash 还以匿名模型 Space Bunny 身份活跃时，用自己维护的 300 题封闭测试集（HumanEval+/MBPP+ 代码题与 MMLU-Pro 推理题）进行了评测，匿名期得 240 分。正式版发布后用同一套题复测得 246 分，两版表现几乎一致，主要提升在代码题。代码能力与 DeepSeek V4.1 Flash-1017 基本打平；官方数据显示其在企业流程自动化和操作电脑两项为国产第一，且成本显著低于 Claude Opus 5。短板是困难推理。整套 300 题成本仅一元出头，性价比突出。
一个人十天写出的引擎，让 12GB 显卡跑起 1250 亿参数模型
个人开发者用十天时间（代码大部分由 AI 编写）打造了推理引擎 Strata，能让 12GB 显存的普通电脑运行 1250 亿参数的 Qwen 3.8 Flash Next 模型。文章剖析其六倍速度宣传实为不同量化版本对比，同版本实际是两到四倍；真正亮点是 prompt 读取速度达每秒 1500 token。核心技术是围绕 MoE 架构的专家缓存，命中率约 72%，代价是输出可能偏离原模型结果。文章还对比了买内存自建与云端 API 的成本账，并预判通用引擎 llama.cpp 将在几个月内补齐缓存能力。
AI名人换脸从0到1小白教程
作者以马斯克版《流星雨》MV为例，详细讲解AI名人换脸的完整工作流。教程分为七步：准备原始素材并记录帧信息、拆分镜头并确定角色（如言承旭换黄仁勋、周渝民换马斯克）、为每个镜头生成换脸剧照、打包提示词与参考资料、使用MiniMax H3模型在DGX Spark上分两轮生成视频、将24帧生成视频对齐回原片30帧节奏，最后拼接成完整MV。文章还总结了质检流程、脚本工具使用方法，以及多次翻车经验教训，如三人齐弯腰、闭眼闭嘴等问题及修复方法。
本地配音：开源 VoiceStudio 把订阅制按在地上
文章介绍了开源项目 VoiceStudio（作者 debpalash），一个纯 Python、AGPL-3.0 协议的本地配音工具，定位为「开源、全程本地的 ElevenLabs 平替」。它支持声音克隆、声音设计、带时间轴对齐的视频配音、语音转写、有声书和批量任务，只需几十秒参考录音即可抽音色，官方支持六百多种语言。项目半年内获得约 6.7 万 Star，桌面端基于 Electron，数据全部留在本地不上传云端，兼容 NVIDIA CUDA 和苹果 Metal，并提供 Local API 和 MCP 供 Claude Code、Codex 等 Agent 调用。文章同时提醒性能受硬件限制、授权需分别确认，以及克隆声音必须取得对方授权。
这台卖37999的RTX Spark电脑，让我实现了Token自由
作者分享了使用英伟达RTX Spark笔记本（华硕ProArt创16，128G统一内存+1T，售价37999元）一周的深度体验。该设备结合了大内存与CUDA生态，解决了本地跑大模型要么选Mac要么受显卡显存限制的痛点。作者演示了通过WorkBuddy部署各类本地模型，包括Qwen3.8-27B大语言模型、图像生成、视频生成、OCR、ASR、TTS等，并打包成一个专家应用方便开箱即用。文章还讨论了AI全天候工作带来的成本问题，认为本地算力是实现Token自由、摆脱API费用束缚的关键方案。
Cover Studio：AI封面图分层编辑工具开源
作者针对AI生成封面图后难以微调、反复抽卡的痛点，开源了Cover Studio工具，实现在一个页面内完成封面生成、拆层与编辑。核心基于蚂蚁百灵开源的两个6B模型：Ming-Image-0.1-Design负责生图，Ming-Image-0.1-Design-Layer负责将图片拆成多层（文字、主体、装饰、背景），支持图层拖动、缩放、隐藏和调序，避免重新生成破坏已满意的部分。工具内置Punk-Skill封面风格和波妞小红书封面锚点系统，支持多种比例，也可上传现成图片直接拆层编辑。文章还介绍了使用注意事项和本地部署方法。
开源 TTS / 配音工具怎么选：10 个按用途分好
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。
