TTS 引擎对比
TomoriBot 支持多种本地语音合成边车（sidecar），各自适合不同的语言、硬件配置与延迟要求。
本页给出在同一套测试环境、使用同一份语音克隆参考的条件下录制的实测基准结果、合成耗时与音频对比片段。
多语言与英语语音克隆
Section titled “多语言与英语语音克隆”基准测试文本
Section titled “基准测试文本”- 标准文本（用于 Chatterbox Standard/Turbo/Nano、MOSS-TTS、CosyVoice 3、VoxCPM2、Qwen3-TTS）：
“Pain and pleasure are two sides of the same coin. Go on now… flip it. Either way, I’ll let you feel all of me.”
- Fish Audio S2 Pro 文本（测试时带方括号表达标签）：
“Pain and pleasure are two sides of the same coin. [laughs] Go on now… flip it. [whispers] Either way, I’ll let you feel all of me.”
性能与音频对比
Section titled “性能与音频对比”耗时同时给出完整生成时间（从发出请求到音频生成完毕的总实际秒数）和实时率（RTF），后者的定义是生成时间除以音频时长：
- RTF < 1.0（加粗）：引擎生成语音的速度快于实时（例如
0.50× RTF表示一个 10 秒的片段用 5 秒生成完）。只有这些引擎有可能跟上实时语音通话，而 TomoriBot 目前并没有实现这个功能。 - RTF > 1.0：生成所需的时间比说出来的音频更长。TomoriBot 把每条语音消息作为完整文件发送，所以 RTF 更高只意味着等得更久。
| 引擎 | Windows 原生(1) （RTX 4070 Ti SUPER） | Linux / WSL2 | macOS （Apple Silicon） | 音频样本 |
|---|---|---|---|---|
| Fish Audio S2 Pro | 约 8-10 分钟(2) （约 65× RTF） | 未测试 | 未测试 | |
| Chatterbox（Turbo，默认） | 约 5.0 秒 （8.7 秒片段） 0.57× RTF | 未测试 | 未测试 | |
| Chatterbox（Nano） | 约 3.0 秒 （8.0 秒片段） 0.38× RTF | 未测试 | 未测试 | |
| Chatterbox（Standard） | 约 6.0 秒 （7.8 秒片段） 0.77× RTF | 未测试 | 未测试 | |
| MOSS-TTS | 约 12.0 秒 （8.8 秒片段） 1.36× RTF | 未测试 | 未测试 | |
| CosyVoice 3 | 约 6.0 秒 （13.9 秒片段） 0.43× RTF | 未测试 | 未测试 | |
| VoxCPM2 | 约 8.0 秒 （7.4 秒片段） 1.09× RTF | 未测试 | 未测试 | |
| Qwen3-TTS | 约 10.0 秒 （9.2 秒片段） 1.09× RTF | 未测试 | 未测试 |
- (1) 测试环境：Windows 11（原生运行）上的 NVIDIA GeForce RTX 4070 Ti SUPER（16 GB GDDR6X、Ada Lovelace），使用一段 26.6 秒、24 kHz 的单声道参考音频样本，并配有逐字对应的参考文本。
- (2) Fish Audio S2 Pro：在 Windows 上以未编译的 eager 模式运行（约 65× RTF），原因是每个 token 都要经过 76 层求值，CUDA kernel 启动延迟累积起来很可观。建议在 Linux 或 WSL2 上配合 OpenAI Triton 的编译器融合（
torch.compile）运行，以避免这种调度停顿。
日语语音克隆
Section titled “日语语音克隆”日语基准测试文本
Section titled “日语基准测试文本”「そんな顔して……ほんとは私にやられたいんでしょ？ざぁこざぁこ～♡」
日语性能与音频对比
Section titled “日语性能与音频对比”| 引擎 | Windows 原生(1) （RTX 4070 Ti SUPER） | Linux / WSL2 | macOS （Apple Silicon） | 音频样本 |
|---|---|---|---|---|
| IrodoriTTS | 约 4.0 秒 （8.5 秒片段） 0.47× RTF | 未测试 | 未测试 |
- (1) 在同一个 RTX 4070 Ti SUPER、Windows 11 测试环境中测得。
该选哪个引擎？
Section titled “该选哪个引擎？”- 如果你想要尽可能高的声音保真度、细粒度、富有表现力的方括号标签（
[whisper]、[laughs]、[sigh]），并且能用上可开启 Triton 编译器融合的 Linux 或 WSL2，那就选 Fish Audio S2 Pro。 - 想做显存占用小的英语语音克隆，就选 Chatterbox（Turbo / Nano / Standard）。Nano（约 3.0 秒，0.38× RTF）在 CPU/GPU 上速度最快，Turbo（约 5.0 秒，0.57× RTF）支持副语言事件标签（
[laughter]、[sigh]），Standard（约 6.0 秒，0.77× RTF）则可以灵活调节 CFG 引导与情绪夸张程度。 - 想做试验性的多模态语音克隆，以及用文字描述的英语与中文语音生成，就选 MOSS-TTS。
- 如果你需要高质量的多语言零样本克隆，并能用自然语言给出表达方式指令（
"Speak in English with excitement"），那就选 CosyVoice 3。 - 如果你需要覆盖面足够广的多语言支持（30 种语言）、参考文本辅助的 Ultimate Cloning 以及自然的语音设计，那就选 VoxCPM2。
- 如果你想要干净的多语言克隆、灵活的语音设计以及稳定的提示词遵循度，那就选 Qwen3-TTS。
- 如果你的 bot 说日语，那就选 IrodoriTTS。它是唯一被实测的纯日语引擎（Windows 上约 4 秒，0.47× RTF），并且能原生解析 Unicode emoji（
😊、😢、😡）来调节角色情绪。
目前 TomoriBot 的所有边车（sidecar）都向 bot 返回一个完整的 WAV 文件。「流式路径」是指上游模型或单独的推理后端具备流式输出，并不表示已经实现了 Discord 语音通话的流式传输。体积指的是模型参数量，不是显存占用或下载体积，16 GB 那一列只是配置建议，不是实测峰值。速度那一列描述的是各引擎的设计取舍；上面的实测耗时来自同一台 Windows 机器，不能用来给各引擎在 Linux 上的表现排名。
| 引擎 | 模型体积；16 GB GPU | 语言 | 语音来源与控制方式 | 速度 / 流式路径 | 适合场景 |
|---|---|---|---|---|---|
| Chatterbox | 350M Turbo（默认）、110M Nano 或 500M Standard；可以，Nano 能用 CPU | 英语 | 参考音频克隆，受支持的事件标签；标准模型提供 CFG 与夸张程度 | 主打快速与轻量；封装程序返回完整 WAV | 小体积的英语克隆搭建，或在 CPU 上做实验 |
| Qwen3-TTS | 每种模式 1.7B；可以，模型会切换 | 10 种，含英语与日语 | 克隆，或用文字描述的 VoiceDesign | 主打质量；上游支持流式，封装程序会缓冲 | 通用多语言克隆与日语 VoiceDesign |
| MOSS-TTS | 4B 克隆模型加约 1.7B 设计模型，二者会切换；16 GB 只是试验目标，未经验证；8B 旗舰模型大概跑不动 | 克隆：31 种，含日语；设计：英语与中文 | 克隆，或用文字描述的 VoiceGenerator；克隆支持语言标签 | 试验性；本地克隆有上游流式后端，封装程序会缓冲 | 对比 MOSS 的克隆质量，或做英语与中文语音设计 |
| IrodoriTTS | 当前 v4.1 Small 约 0.8B；一次本地运行中观察到约 3-4 GB 显存 | 仅日语 | 克隆或 VoiceDesign；emoji 风格提示 | 用采样步数在质量与速度之间取舍；封装程序会缓冲 | 小体积的日语语音，以及由 emoji 驱动的表达方式 |
| Fish S2 Pro | 4B；默认官方 BF16（约 16-18 GB），16 GB 可选 INT8 | 上游声称 83 种 | 参考音频克隆（需要参考文本），自由格式的方括号表达标签 | 重型 Dual-AR 模型；想快速合成需要 Linux/WSL2 加 Triton（Windows eager 模式下约 65× RTF） | 细粒度、富有表现力的克隆；请留意研究许可条款 |
| VoxCPM2 | 2B；上游报告 BF16 约 8 GB | 30 种 | 克隆、语音设计、参考文本辅助的 Ultimate Cloning、表达方式指令 | 上游 RTX 4090 上约 0.30 RTF；上游支持流式，封装程序会缓冲 | 一个多语言模型，提供最丰富的语音来源控制方式 |
| CosyVoice 3 | 核心 0.5B；16 GB 够用，下载体积与运行时占用更大 | 9 种，含日语，另有中文方言 | 克隆、跨语言克隆、自然语言表达方式 | 主打低延迟；上游原生支持文本与音频流式，封装程序会缓冲 | 将来做流式传输的候选方案，支持跨语言克隆 |
模型体积与语言数量来自 Chatterbox、Qwen3-TTS、MOSS、Irodori、Fish S2 Pro、VoxCPM2 和 CosyVoice 3 的上游页面。操作系统、驱动、许可、模型版本和内存等细节请查看各篇指南。16 GB 显卡不一定能同时跑一个语音合成模型和一个大型本地 LLM。
Irodori 的显存数字只是一次本地观察，不是官方公布的最低要求，也不是跨引擎基准。内存占用会随运行时、精度、脚本长度和其他 GPU 负载变化。
Qwen3-TTS 自动端点的第一次请求包含模型加载时间。MOSS 会在安装时预先下载两个模型，默认还会在启动时预热克隆模型，但切换到另一种模式后，这两个自动服务器都仍需加载另一个模型。对每个完整响应，TomoriBot 最多等待 TTS_SYNTHESIZE_TIMEOUT_MS（默认 240000 毫秒）。