文字轉語音（本機引擎）

TomoriBot 把語音視為自訂端點功能。本機引擎在 bot 之外以 HTTP 伺服器運行，並實作 POST /synthesize；複製引擎會收到文字加上設定好的參考音訊樣本，而支援 VoiceDesign 的引擎還能收到自然語言指示。

可用引擎

Chatterbox TTS帶事件標籤的英文語音複製。Turbo 是預設，Nano 與 Standard 是選用變體。

Qwen3-TTS支援複製與 VoiceDesign 模式的多語言本機 TTS。

MOSS-TTS試用性質的自動端點：4B 多語言語音複製，或以文字描述的英中文語音設計。

IrodoriTTS以日語為主的語音複製與 VoiceDesign，用 Unicode 表情符號標記控制情緒。

Fish Audio S2 Pro高品質多語言語音複製，具備細緻的方括號表情控制。預設使用官方 BF16 權重，並為較小的 GPU 提供選用的 INT8 檢查點。

VoxCPM2支援 30 種語言的 TTS，具備語音設計、參考音訊複製、逐字稿輔助的 Ultimate Cloning 與自然語言語氣控制。

CosyVoice 30.5B 多語言零樣本與跨語言複製，支援自然語言語氣指示。

TTS 引擎比較七個引擎的實測合成時間、音訊試聽播放器與速度比較。

設定流程

從上面的卡片挑一個引擎，並從 servers/tts/ 設定它的包裝。
在 /providers 中選擇 新增自訂端點，並使用 API 相容性 tts-clone。
選取已儲存的端點，並用它的模型下拉選單加入它的 Speech 模型、語音來源模式與腳本標記風格。
開啟 /config > 模型 > 切換模型，選取註冊好的 Speech 模型。

人格語音流程

對複製引擎而言，請為每個人格加入並指派一個語音樣本：

準備一段乾淨、10 到 20 秒、只有一位說話者且沒有背景音樂的片段。
開啟 /config，在模型 > TTS 參數與語音底下上傳該樣本。任何音訊格式都接受；TomoriBot 會將它轉成單聲道 WAV。
在引擎能因此受益時提供對應的逐字稿。Fish S2 Pro 會把儲存的參考逐字稿轉送進複製請求，而 VoxCPM2 會用它做更高保真度的 Ultimate Cloning。
開啟 /config，在人格 > 語音底下選擇人格與語音樣本。

對 Qwen3-TTS、MOSS-VoiceGenerator、IrodoriTTS 或 VoxCPM2 VoiceDesign 而言，請跳過音訊樣本，改用 /config 中的人格 > 語音為該人格儲存一段自然語言的語音描述。CosyVoice 3 使用帶參考樣本的複製模式，並透過 voice_instructions 接受單次的語氣指示。

使用 ElevenLabs 的人應該在 /providers 中選擇 新增供應商 與 ElevenLabs，它會同時註冊語音與轉錄端點。

TomoriBot 會在合成之前，從生成的語音腳本中移除 Discord 自訂表情符號語法，例如 :pepega: 或 <:pepega:123456789012345678>。Unicode 表情符號同樣會被移除，除非語音端點使用表情符號標記，那是為 IrodoriTTS 設計的。當某個端點的腳本標記風格設為 方括號標籤 時，例如 Chatterbox Turbo 與 Fish S2 Pro，方括號標籤會被保留。

VoxCPM2 使用 純文字 腳本標記風格。它的語音設計與說話風格控制會透過 TomoriBot 的 instruct 欄位傳遞，而 VoxCPM2 的包裝會將它們轉成該模型原生的括號自然語言控制語法。

CosyVoice 3 同樣使用 純文字 腳本標記風格。它將有逐字稿的參考對應到零樣本複製、沒有逐字稿的參考對應到跨語言複製，並將 voice_instructions 對應到它的指示條件路徑。行內的方括號標籤會被移除，因為 CosyVoice 的指示適用於整段語句。

引擎比較

若要逐項對照實測延遲基準、音訊試聽播放，以及比較所有支援 sidecar 的詳細功能矩陣，請看 TTS 引擎比較。