TTS 引擎比較
在下方比較來自相同測試環境的合成時間與音訊樣本。
多語言與英文聲音複製
Section titled “多語言與英文聲音複製”- 標準提示詞 （用於 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 提示詞 （以括號表情標籤測試）：
“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.”
效能與音訊比較
Section titled “效能與音訊比較”計時同時回報完整生成時間（從請求到完成音訊的總時鐘秒數）與即時係數（Real-Time Factor，RTF），定義為生成時間除以音訊長度：
- RTF < 1.0（粗體）： 引擎生成語音的速度比即時更快（例如
0.50× RTF在 5 秒內渲染出 10 秒的音訊）。只有這些引擎能夠跟上即時語音通話，而 TomoriBot 目前並未實作此功能。 - RTF > 1.0： 生成時間長於朗讀音訊。TomoriBot 將每則語音訊息作為完整檔案發送，因此較高的 RTF 僅代表需要更長的等待時間。
| 引擎 | Windows 原生(1) （RTX 4070 Ti SUPER） | Linux / WSL2 | macOS （Apple Silicon） | 音訊樣本 |
|---|---|---|---|---|
| Fish Audio S2 Pro | 約 8 到 10 分鐘(2) （約 65× RTF） | 未測試 | 未測試 | |
| Chatterbox（Turbo，預設） | 約 5.0 秒 （8.7 秒片段） 0.57× RTF | 未測試 | 未測試 | |
| Chatterbox（Nano） | 約 3.0 秒 （8.0 秒片段） 0.38× RTF | 未測試 | 未測試 | |
| Chatterbox（Standard） | 約 6.0 秒 （7.8 秒片段） 0.77× RTF | 未測試 | 未測試 | |
| MOSS-TTS | 約 12.0 秒 （8.8 秒片段） 1.36× RTF | 未測試 | 未測試 | |
| CosyVoice 3 | 約 6.0 秒 （13.9 秒片段） 0.43× RTF | 未測試 | 未測試 | |
| VoxCPM2 | 約 8.0 秒 （7.4 秒片段） 1.09× RTF | 未測試 | 未測試 | |
| Qwen3-TTS | 約 10.0 秒 （9.2 秒片段） 1.09× RTF | 未測試 | 未測試 |
- (1) 測試環境：Windows 11（原生執行）上的 NVIDIA GeForce RTX 4070 Ti SUPER（16 GB GDDR6X，Ada Lovelace），使用 26.6 秒 24 kHz 單聲道參考音訊樣本與相符的逐字逐字稿。
- (2) Fish Audio S2 Pro：由於每個 token 需進行 76 次層評估所產生的 CUDA kernel 啟動延遲，Windows 執行以未編譯的 eager 模式運作（約 65× RTF）。建議在 Linux 或 WSL2 上搭配 OpenAI Triton 編譯器融合（
torch.compile）執行以避免此調度停滯。
日文聲音複製
Section titled “日文聲音複製”日文基準提示詞
Section titled “日文基準提示詞”「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～♡」
日文效能與音訊比較
Section titled “日文效能與音訊比較”| 引擎 | Windows 原生(1) （RTX 4070 Ti SUPER） | Linux / WSL2 | macOS （Apple Silicon） | 音訊樣本 |
|---|---|---|---|---|
| IrodoriTTS | 約 4.0 秒 （8.5 秒片段） 0.47× RTF | 未測試 | 未測試 |
- (1) 在相同的 RTX 4070 Ti SUPER Windows 11 測試環境中測量。
TomoriBot 會傳回完整的 WAV 檔案。模型大小計算參數量；GPU 記憶體數值為設定指南。上述計時來自單一台 Windows 機器。
參考音訊長度包含上游建議與執行時期限制。詳細資訊請參閱各引擎指南。
| 引擎 | 模型大小；16 GB GPU | 語言 | 參考音訊片段 | 語音來源與控制 | 速度 / 串流路徑 | 適用情境 |
|---|---|---|---|---|---|---|
| Chatterbox | 350M Turbo（預設）、110M Nano 或 500M Standard；支援，Nano 可使用 CPU | 英語 | 10 秒；超過 10 秒提示視窗的部分會被靜默忽略 | 參考複製、支援的事件標籤；標準模型提供 CFG/誇張度 | 著重快速/輕量；包裝器傳回完整 WAV | 輕量英語複製設定或 CPU 實驗 |
| Qwen3-TTS | 每種模式 1.7B；支援，模型可切換 | 10 種，包含英語/日語 | 3 秒起；無記載上限 | 複製或以文字描述的 VoiceDesign | 著重品質；上游支援串流，包裝器進行緩衝 | 通用多語言複製與日語 VoiceDesign |
| MOSS-TTS | 4B 複製 + 約 1.7B 設計，可切換；16 GB 為未經驗證的試用目標；8B 旗艦版可能無法 | 複製：31 種，包含日語；設計：英語/中文 | 上游未記載；無執行時期上限 | 複製或以文字描述的 VoiceGenerator；複製語言標籤 | 實驗性；本機複製具備上游串流後端，包裝器進行緩衝 | 比較 MOSS 複製品質或英語/中文語音設計 |
| IrodoriTTS | 目前 v4.1 Small 約 0.8B；單次本機執行觀察到約 3 到 4 GB VRAM | 僅日語 | 約 30 秒；受檢查點 120 秒上限裁切 | 複製或 VoiceDesign；表情符號風格提示 | 取樣步數在品質與速度間權衡；包裝器進行緩衝 | 佔用空間小的日語語音與表情符號驅動表達 |
| Fish S2 Pro | 4B；官方 BF16 預設（約 16 到 18 GB），16 GB 可選用 INT8 | 上游宣稱 83 種 | 10 到 30 秒；無執行時期上限 | 參考複製（需要參考逐字稿）、自由格式括號表情標籤 | 重型 Dual-AR 模型；需要具備 Triton 的 Linux/WSL2 以達到快速合成（Windows eager 模式約 65× RTF） | 精細富有表現力的複製；請檢查研究授權條款 |
| VoxCPM2 | 2B；上游回報約 8 GB BF16 | 30 種 | 5 到 30 秒；文件記載範圍，無執行時期上限 | 複製、Voice Design、逐字稿輔助的 Ultimate Cloning、發音風格指示 | 上游在 RTX 4090 上約 0.30 RTF；上游支援串流，包裝器進行緩衝 | 單一多語言模型，具備最廣泛的語音來源控制 |
| CosyVoice 3 | 0.5B 核心；16 GB 舒適，下載/執行時期較大 | 9 種，包含日語，以及中文方言 | 3 到 30 秒；較長者會裁切為前 30 秒 | 複製、跨語言複製、自然語言發音風格 | 著重低延遲；上游原生支援文字/音訊串流，包裝器進行緩衝 | 具備跨語言複製的未來串流候選 |
模型大小與語言數量遵循 Chatterbox、Qwen3-TTS、MOSS、Irodori、Fish S2 Pro、VoxCPM2 與 CosyVoice 3 上游頁面。作業系統、驅動程式、授權條款、模型修訂版本與記憶體詳細資訊請參閱各指南。16 GB 的 GPU 不一定能同時裝載 TTS 模型與大型本機 LLM。
第一次 Qwen3-TTS 自動請求包含模型載入。MOSS 在設定期間會預先下載兩個模型，並在啟動時預設預熱複製模型，但任一自動伺服器在模式切換後仍必須載入另一個模型。TomoriBot 對於每個完整回應最多等待 TTS_SYNTHESIZE_TIMEOUT_MS（預設 240000 ms）。