最近 AI 配音圈像突然开了场演唱会。涌出来很多新歌手，实力都不俗。

以前我们做视频配音，最简单的办法就是打开 剪映，选一个“温柔女声”“磁性男声”“新闻播报腔”，然后让它开始工作。

好处是快，坏处也明显：听久了像整个互联网共用一个播音办公室。

现在不一样了。

开源 TTS 一下子涌现出很多新模型，有的会克隆，有的会情绪，有的能长文本，有的能说几百种语言，有的还能让同一段文字演出不同角色感。

看起来都很厉害，但真正的问题是：谁适合干什么？

一.先看开源阵营

VoxCPM2 是全能型选手。

它像一个开源声音工作台，文本转语音、声音设计、声音克隆、多语言、流式生成都能覆盖。它不是只停留在论文里的模型，而是更适合创作者和开发者真正上手。

如果你想做短视频旁白、AI 角色配音、本地语音工作流，VoxCPM2 是一个稳妥的起点。

LongCat-AudioDiT 是技术派代表。

它最关注的一件事，就是声音克隆到底像不像。

它走的是扩散式 TTS 路线，重点能力是零样本声音克隆和音色相似度。如果你的核心需求是高度还原原始声音，LongCat-AudioDiT 值得重点测试。

它未必最适合普通用户直接使用，但技术亮点非常突出。

GPT-SoVITS 是社区老兵。

它不是最新黑马，但绝对是开源声音克隆里绕不开的经典工具。很多人第一次认真玩声音克隆，就是从它开始的。

它的优势不是“最新”，而是“实用”：WebUI 成熟，教程多，社区案例多，可以用短参考音频做克隆，也可以用少量语音数据微调出更稳定的专属音色。

如果说 LongCat-AudioDiT 更像技术派新选手，那 GPT-SoVITS 更像训练营教官：不一定最时髦，但真的能带你入门。

它适合本地克隆声音、训练角色音色、制作固定声线，也适合想理解 TTS 工作流的人学习。

IndexTTS2 是视频配音专员。

很多 TTS 只负责把文字读出来，至于节奏是否匹配画面、情绪是否贴合内容，它们并不关注。

而 IndexTTS2 更偏向视频场景。它擅长情绪控制、时长控制和视频配音，适合数字人口播、短剧配音、视频解说以及口型同步前的语音生成。

如果你的目标是视频内容，而不是单独生成音频，它会更合适。

Qwen3-TTS 是工程化选手。

它强调多语言、声音克隆、声音设计和流式生成。

简单理解，它不仅适合技术爱好者尝试，更适合开发者接入产品、应用和 Agent 工作流。

如果你关注稳定接入、实时语音、多语言生产、声音克隆和产品落地，Qwen3-TTS 值得重点关注。

它不是单点炫技，而是更像可以真正塞进应用里的语音引擎。

OmniVoice 是语言天才。

它最醒目的标签是超多语言覆盖。

别人还在优化中文自然度和英文发音，它已经开始解决全球语言生态的问题。

它的价值不仅在于短视频配音，更在于全球化、小语种和本地化产品能力。

如果你要做海外内容、多语言应用或跨语种语音系统，OmniVoice 很值得关注。

它强调的不是演得更像，而是覆盖更多语言。

MOSS-TTS 1.5 是长文本专家。

很多 TTS 在短文本表现不错，但一进入长文本就容易重复、漂移或断句异常。

MOSS-TTS 1.5 更适合有声书、课程旁白、长视频解说和播客。

它的优势在于长文本、高保真、发音控制和稳定输出。

如果你追求长期稳定，而不是瞬间惊艳，它值得考虑。

CosyVoice 3 是中文实用派。

关键词包括中文自然度、方言支持、零样本音色克隆和流式生成。

中文 TTS 不只是读准普通话，更重要的是语气、停顿、韵律和方言表达。

CosyVoice 3 更贴近中文内容生产，适合短视频旁白、影视配音、有声书和方言内容。

它不一定最炫，但非常实用。

EmotiVoice2 是情绪演员。

普通 TTS 最大的问题往往是“有声音，但没有情绪”。

EmotiVoice2 更适合短剧、播客、多角色对话和情绪型配音，重点能力是多情感、多音色和多角色表达。

开心、悲伤、愤怒、激动，它都希望表达出来。

它不仅朗读，更强调表演感。

dots.tts 是新晋黑马。

这是小红书 RedNote HiLab 开源的 2B 文本转语音模型，主打自然语音生成、声音克隆和高相似度复刻。

它最值得关注的是官方指标表现：中文和英文词错误率较低，声音相似度和多语言表现都很突出。

简单来说，它不是普通的新模型，而是一开始就拿出成绩单的选手。

当然，新模型刚开源时不能直接下结论。

TTS 非常依赖真实场景：中文短视频、长文本、有声书、情绪表达、方言、多语言、实时延迟，每个方向都有不同优势。

所以更准确地说，dots.tts 是值得重点关注的新黑马，但仍需要更多真实生产环境验证。

Fish Audio S2 Pro 是舞台型主唱。

它最适合放到最后重点说，因为它不是只会“读字”，而是更强调音质、情绪、韵律、多说话人和多轮对话。

你可以把它理解成：开源 TTS 里更接近“声音演员团队”的选手。

如果你要的是更自然的语气、更强的感情、更丰富的角色对话，Fish Audio S2 Pro 很值得优先试。

开源阵营怎么选

VoxCPM2：全能易用。

LongCat-AudioDiT：高相似度克隆。

GPT-SoVITS：经典声音克隆工具，适合本地训练和少样本微调。

IndexTTS2：视频配音、情绪和时长控制。

Qwen3-TTS：工程化落地、流式生成和产品接入（亲测感情和停顿真人感也不错）。

OmniVoice：超多语言。

MOSS-TTS 1.5：长文本高保真。

CosyVoice 3：中文自然度和方言。

EmotiVoice2：情绪和多角色表达。

dots.tts：新黑马，高自然度和高相似度。

Fish Audio S2 Pro：音质、情感、多人对话。

当然，开源 TTS 不止这些。还有国内开源的实战派，GPT-SoVITS，它更像经典入门工具和本地训练工作台。继续扩展还可以关注 Chatterbox、Kokoro、StarBox 等。

二.闭源阵营：成熟，但不一定自由

闭源 TTS 更像五星级配音公司。

你不一定能看到后厨，但端出来通常更稳。

MiniMax Speech 适合高质量中文和商业配音，广告、影视旁白、有声书都能用。

它的优势是音质成熟、情绪控制优秀、声音克隆能力强。

ElevenLabs 是国际化成熟选手。

英文、多语言、声音库和创作者生态都很完善。

做海外内容、播客、有声书和角色声音，它依然很强。

Google Chirp 3 HD 与 Azure Neural / HD Voices 更偏企业级能力。

适合产品接入、客服、教育、SaaS 和长期部署。

Cartesia Sonic 主打低延迟。

适合实时语音 Agent、AI 电话、实时客服和语音助手。

Hume Octave 更偏情绪表达。

适合角色互动、陪伴场景、虚拟人和互动叙事。

它更像一个理解情绪的声音演员。

OpenAI TTS 的优势是接入方便。

如果你的系统已经基于 OpenAI 技术栈，直接接入会非常省心。

那剪映呢？

剪映 不是模型工具，而是一整套内容生产产品。

如果今天就要发布视频，它往往比很多开源 TTS 更可靠。

因为它解决的不只是文本转语音，而是完整流程：

写文案、生成配音、视频识别、自动字幕、转场特效、模板套用、剪辑节奏、画面调整、最终导出。

很多开源 TTS 只负责生成声音，后续还需要自己处理时间线、字幕和剪辑。

剪映则把配音、识别、字幕和视频制作整个链路直接打通。

所以：

个人创作者快速发视频，优先考虑 剪映。

高端商业配音，看 ElevenLabs（有试用积分，v3 的真人感很强）、MiniMax。

企业产品、客服和教育应用，看 Google、Azure、OpenAI。

实时语音 Agent，看 Cartesia。

情绪角色声音，看 Hume。

私有部署、批量生成和定制声音系统，则重点研究开源 TTS。

还有一些工具容易混淆，例如 Voicebox、OmniVoice Studio、Google Vids。

Voicebox 和 OmniVoice Studio 更像语音工作台，而不是底层 TTS 模型。

它们通过整合多个语音能力，让普通用户更容易完成声音克隆、多角色项目和配音制作。

Google Vids 也不是开源 TTS。

它更像办公视频生产工具。

适合教程、培训、产品演示和企业说明，而不是和 VoxCPM2、Qwen3-TTS 比模型参数。

三.我的主推组合

但如果真要落到使用，我会重点推荐四个，它们分别代表四个方向：

1.Fish Audio S2 Pro 更像“会演的声音团队”。

官方在线试用：https://fish.audio/zh-CN/app/text-to-speech/

2.Qwen3-TTS 更像“能进产品的语音引擎”。

官方在线试用：https://huggingface.co/spaces/Qwen/Qwen3-TTS

3.IndexTTS2 更像“懂视频节奏的配音演员”。

官方在线试用：https://huggingface.co/spaces/IndexTeam/IndexTTS-2-Demo

4.VoxCPM2 不是c位，但更像队伍里的“万金油”

可描述目标音色特征（性别、年龄、语气、情绪、语速等），为你从零创造独一无二的声音。如果你想要一个功能完整、接入方便、生态正在快速成熟的开源 TTS 备选，同时已经有 ComfyUI 节点、TTS WebUI 扩展、Hugging Face 使用示例等接入方式，它很值得。

官方在线试用：https://huggingface.co/spaces/openbmb/VoxCPM-Demo?utm_source=chatgpt.com

总结：

剪映负责马上能用，闭源 TTS 负责专业稳定，开源 TTS 负责自由可控。

而在开源阵营里，我这么评价：

Fish Audio S2 Pro：更适合追求音质、情感表达和多人对话。

Qwen3-TTS：更适合工程化接入、流式生成、多语言、声音克隆和产品落地。

IndexTTS2：更适合视频配音、情绪控制和时长控制。

VoxCPM2：更适合作为全能备选，本地部署、ComfyUI 工作流、声音设计和克隆都能覆盖。

演唱会结束了，你喜欢的歌手是哪位？下次还想听哪方面的，下面一起讨论下。