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。
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。
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。
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。
本文是一篇详细的接入教程，介绍如何在 Muse 中接入 Fish Audio TTS 服务。作者 TaoBuilds 对比了 Azure（稳定但音色固定）与 Fish Audio（支持声音克隆和特色音色）的差异，并给出六步接入流程：注册 Fish Audio 账号、切换到 Developer 模式、确认每月 8000 点的免费额度、创建 API Key、在 Muse 中关联 Key、编写调用脚本并实测出声，全程约 5 分钟。接通后日常语音仍走免费的 Azure，特色音色和声音克隆则用 Fish Audio 完成。文末提醒注意免费额度用量、不要克隆真人声音公开发布，以及 Key 泄露时的处理方法。
文章介绍了 Seed Audio 1.0 影视级配音模型的强大能力。相比传统 TTS，它情绪维度广、精度细，支持动态情绪匹配；无需音色克隆，上传约 15 秒参考音频即可复刻音色；可指定输出时长、语速及停顿，方便后期对轨；支持 20 种语言并适配出海需求，还能演绎人物状态、通过提示词设计音效和配乐。作者建议包含角色介绍与台词分配以提升声音丰富度，但不建议配音中加入音效。应用场景包括广告、短视频、有声小说、漫剧、ASMR 和带货等。
文章介绍了如何利用网易有道开源的免费TTS模型Confucius 4-TTS实现本地声音克隆。作者展示了将该模型集成到WeSight桌宠中，实时使用复刻音色进行任务播报的过程。该模型仅1.3B大小，支持14种语言的无参考文本克隆，并提供了详细的本地部署代码及在Mac和远程服务器上的运行方案。
作者实测蚂蚁灵波开源的 Ming-3.0-TTS 模型的三种核心能力：Voice Design（用文字描述创造原创音色）、Freeform（导演式指令控制重音、停顿和情绪）以及声音克隆（支持在正文中插入叹气、咳嗽、呼吸等声音事件标签）。文章详细介绍了从 Hugging Face 在线体验到本地部署的完整流程，包括参考音频准备、音色描述写作模板、命令行操作等，并提出判断 TTS 能否进入 AI 视频工作流的五项标准，如音色身份稳定性、重音停顿准确性、声音事件自然度等。
文章介绍了刚开源的工具 We-Video，可将文章或资料转化为带配音、字幕和动态配图的解说视频。流程包括 AI 生成口播稿、配音、按内容节奏自动规划画面（重点词高亮、配图随节奏出现、关系图逐步展开），最后渲染成 MP4，每一步都可预览和调整。其核心优势是成本：画面采用程序化合成而非昂贵的文生视频模型，一分钟视频的模型调用成本可压到 0.1 元以内。项目已开源，适合需要将长文转成解说短片、愿意自建控成本的用户，不适合追求电影感或实拍质感的场景。
作者开源了 sweety-handdraw-video，一套手绘口播视频自动化制作管线。它包含 AI 导演（自动分镜）、物理手绘引擎（模拟真人逐笔绘制）和 VoxCPM 2 拟真配音三大核心，输入文案即可全自动生成分镜、插画、绘制动画与声画同步视频。该工具在 ChatGPT (Codex) 环境下完美运行，不依赖外部付费视频生成 API，素材完全解耦、本地零成本重渲染，成本极低。开源版将持续免费维护，项目已发布至 GitHub。
作者发现一个中文语音数据集，包含218人的8万多条语音，情感中性，并带有性别、年龄、母语口音等标注，字音准确率达98%以上，经过专业标注和严格质检。开源TTS模型如F5、Spark、IndexTTS2都需要参考语音，自己录制麻烦，该数据集可以省去这一步。作者是在为Qiaomu Reader开发电子书朗读功能时发现的。文中附有数据集官网地址和语音样例链接。
本文详细介绍了火山引擎豆包语音合成模型 2.0 的免费 API 申请与接入流程。作者一步步讲解了注册火山引擎控制台、开通语音合成 2.0 服务领取免费额度、创建 API Key 的方法，并说明音色 ID 与资源 ID 必须配对的规则。文章以 whiteboard-video Skill 为例演示了配置方法，并用 PowerShell 测试接口调用。同时整理了踩坑记录，包括 403 权限错误（需重建 Key）、音色与资源 ID 不配对、Key 泄露处理、Windows 手动安装 FFmpeg 等常见问题，最后提示通过用量统计合理节省免费额度。
作者尝试用 Opus 5.5 全程自动制作吃瓜（八卦）短视频，包括自动搜集素材、生成文案、用 Gemini 3.8 Flash TTS 配音，中英文两个版本，整个流程仅耗时半小时。文中分享了完整 Prompt 设计：内容要求八卦有冲突但事实准确、开头3秒抓眼球、素材以视频片段为主、9:16竖版4-6分钟、自动压低BGM、添加水印、封面设计等细节，还支持生成去敏版本。评论区讨论了此类方法对影视解说自动化的启发。
