语音合成（本地引擎）

直接在你的计算机上生成自然的语音消息和人格语音，无需按字符付费，也无需将音频传输到第三方语音 API。

TomoriBot 将语音视为自定义端点功能。本地引擎作为 HTTP 服务器在 bot 外部运行并实现 POST /synthesize；克隆引擎接收文本及配置的参考音频样本，支持 VoiceDesign 的引擎还可以接收自然语言指令。

可用引擎

Chatterbox TTS支持事件标签的英语语音克隆。Turbo 为默认版本；Nano 和 Standard 为可选变体。

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

MOSS-TTS试验性自动端点：4B 多语言语音克隆，或通过文本描述的英语/中文语音设计。

IrodoriTTS专注于日语的语音克隆与 VoiceDesign，支持 Unicode 表情标记进行情绪控制。

Fish Audio S2 Pro支持细粒度方括号表达控制的高质量多语言语音克隆。默认为官方 BF16 权重，并为较小显存 GPU 提供可选的 INT8 检查点。

VoxCPM2支持 30 种语言的 TTS，具备语音设计、参考音频克隆、转写辅助终极克隆以及自然语言表达控制。

CosyVoice 30.5B 多语言零样本与跨语言克隆，支持自然语言表达指令。

TTS 引擎对比涵盖全部 7 款引擎的实际合成测速、音频样本播放与速度对比。

配置流程

从上方卡片中选择一个引擎，并配置其位于 servers/tts/ 下的包装脚本。
在 /providers 中选择 + 添加新自定义端点，API 兼容性选择 tts-clone。
选中已保存的端点，使用其模型下拉菜单添加语音模型、语音源模式以及脚本标记。
打开 /config > 模型 > 切换模型，在 TTS（语音设计） 或 TTS（语音克隆） 下选择该端点。自动端点会同时激活这两项选择；清除其中一项会保留另一项。

关于云端托管语音提供方与个人覆盖选择，请参见语音：TTS 与 STT。

网络访问

所有 TTS 本地服务器默认绑定到 127.0.0.1，因此只有同一台机器上的 bot 能访问它们。当 TomoriBot 运行在 Docker 中或另一台机器上时，请为服务器设置 TOMORI_TTS_HOST=0.0.0.0，并使用宿主机的地址注册端点，例如 http://host.docker.internal:8015。

这些服务器均没有身份验证：任何能访问该端口的人都可以使用你的 GPU 进行语音合成。仅在受信任的网络中绑定到回环地址以外的网络；若要将服务器暴露到该网络之外，请在前面配置具备身份验证的反向代理。

每个服务器读取其专属的端口变量（CHATTERBOX_PORT、QWEN3TTS_PORT、IRODORI_TTS_PORT、FISH_S2_PORT、VOXCPM2_PORT、COSYVOICE3_PORT、MOSS_TTS_PORT），因此可以在一个 .env 中同时运行多个服务器。bun run launch 会将 .env 传递给其启动的服务器；手动启动的服务器仅读取其当前的 shell 环境变量。

人格语音

对于克隆引擎，在 /config > 模型 > TTS 参数与语音下上传清晰的单人语音样本，然后在人格 > 语音下分配该样本。推荐的音频片段时长与转写要求请查阅对应引擎的指南。

TomoriBot 支持最长 130 秒的样本，并会自动将其转换为单声道 WAV。上传大小限制默认为 10 MB；可通过 SPEECH_SAMPLE_MAX_MB 调整。使用 FLAC 等压缩格式有助于较长的音频满足大小限制。

对于支持语音设计的引擎，在人格 > 语音下保存自然语言语音描述。一个人格可以同时拥有描述和语音样本；语音源优先级决定优先尝试哪种可用源。支持的模式和脚本标记请参见具体引擎的指南。

在 /config > 权限下启用语音消息，然后直接请求人格发送语音消息，或使用 /generate voice-message 进行体验。