语音合成（本地引擎）

TomoriBot 把语音当作一种自定义端点功能来处理。本地引擎在 bot 之外以 HTTP 服务器的方式运行，并实现 POST /synthesize；克隆类引擎会收到文本以及已配置的参考音频样本，而支持 VoiceDesign 的引擎还能收到自然语言指令。

可用引擎

Chatterbox TTS带事件标签的英语语音克隆。Turbo 是默认项，Nano 与 Standard 是可选变体。

Qwen3-TTS支持克隆与 VoiceDesign 模式的多语言本地语音合成。

MOSS-TTS试验性的自动端点：4B 多语言语音克隆，或用文字描述的英语与中文语音设计。

IrodoriTTS以日语为主的语音克隆与 VoiceDesign，用 Unicode emoji 标记控制情绪。

Fish Audio S2 Pro高质量多语言语音克隆，支持细粒度的方括号表达控制。默认使用官方 BF16 权重，另可选 INT8 检查点以适配较小的 GPU。

VoxCPM2支持 30 种语言的语音合成，具备语音设计、参考音频克隆、参考文本辅助的 Ultimate Cloning 以及自然语言表达方式控制。

CosyVoice 30.5B 多语言零样本克隆与跨语言克隆，支持自然语言表达方式指令。

TTS 引擎对比全部 7 个引擎的实测合成耗时、音频样本播放器与速度对比。

设置流程

从上面的卡片里挑一个引擎，按 servers/tts/ 里的说明把它的封装程序搭起来。
在 /providers 里选择添加新自定义端点，并把 API 兼容性设为 tts-clone。
选中已保存的端点，用它的模型下拉菜单添加语音合成模型、语音来源模式与脚本标记风格。
打开 /config > 模型 > 切换模型，选中已注册的语音合成模型。

人格语音流程

对克隆类引擎，每个人格都要上传并指定一个语音样本：

准备一段干净的音轨，10 到 20 秒，只有一个人说话，没有背景音乐。
打开 /config，进入模型 > TTS 参数与语音，上传样本。音频格式不限，TomoriBot 会把它转成单声道 WAV。
如果引擎用得上参考文本，就再提供一份对应的文本。Fish S2 Pro 会把保存的参考文本一起放进克隆请求，VoxCPM2 则用它做保真度更高的 Ultimate Cloning。
打开 /config，进入人格 > 语音，然后选择人格与语音样本。

对 Qwen3-TTS、MOSS-VoiceGenerator、IrodoriTTS 或 VoxCPM2 的 VoiceDesign，可以跳过音频样本，直接在 /config 的人格 > 语音里为这个人格保存一段自然语言的声音描述。CosyVoice 3 使用带参考样本的克隆模式，并可通过 voice_instructions 接受一次性的表达方式指令。

用 ElevenLabs 的话，在 /providers 里选择添加新提供方和 ElevenLabs，它会一并注册语音与转写端点。

合成之前，TomoriBot 会从生成的语音脚本里去掉 :pepega:、<:pepega:123456789012345678> 这类 Discord 自定义 emoji 写法。除非语音端点使用 emoji 标记（这是给 IrodoriTTS 用的），否则 Unicode emoji 也会被去掉。对 Chatterbox Turbo、Fish S2 Pro 这类端点，当它们的脚本标记风格设为 Bracket Tags 时，方括号标签会被保留。

VoxCPM2 使用 Plain 脚本标记风格。它的语音设计与说话风格控制通过 TomoriBot 的 instruct 字段传递，再由 VoxCPM2 的封装程序转换成模型原生的、用圆括号包起来的自然语言控制语法。

CosyVoice 3 也使用 Plain 脚本标记风格。它把带参考文本的参考音频映射到零样本克隆，把不带参考文本的参考音频映射到跨语言克隆，并把 voice_instructions 映射到自身的指令条件路径。行内的方括号标签会被去掉，因为 CosyVoice 的指令作用于整段话。

引擎对比

想查看并排的实测延迟基准、音频样本播放，以及对比所有受支持边车（sidecar）的详细功能矩阵，请看 TTS 引擎对比。