TTS 引擎比較
TomoriBot 支援多種本機文字轉語音 sidecar，各自適合不同的語言、硬體配置與延遲需求。
本頁提供在同一套測試環境、使用相符的語音複製參考下錄製的實測基準結果、合成時間與音訊比較片段。
多語言與英文語音複製
Section titled “多語言與英文語音複製”- 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 （以方括號表情標籤測試）：
“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”時間同時回報完整生成時間（從請求到音訊完成的總時鐘秒數）與即時係數（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會在 5 秒內渲染出 10 秒的片段）。只有這些引擎有可能跟上即時語音通話，而 TomoriBot 目前並未實作即時語音通話。 - RTF > 1.0： 生成所需時間比朗讀的音訊更長。TomoriBot 是把每則語音訊息當作完整檔案送出，所以較高的 RTF 只代表等待更久。
| 引擎 | Windows 原生(1) （RTX 4070 Ti SUPER） | Linux 與 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），使用一段 26.6 秒、24 kHz 單聲道、附逐字對應逐字稿的參考音訊樣本。
- (2) Fish Audio S2 Pro：Windows 執行採用未編譯的 eager 模式（約 65× RTF），原因是每個 token 的 76 次層評估產生 CUDA kernel 啟動延遲。建議在 Linux 或 WSL2 上搭配 OpenAI Triton 編譯器融合（
torch.compile）運行，以避免這個派送停滯。
日文語音複製
Section titled “日文語音複製”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 與 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) 在同一套 RTX 4070 Ti SUPER Windows 11 測試環境中測得。
你該選哪個引擎？
Section titled “你該選哪個引擎？”- 如果你想要最高的聲音保真度、細緻的表情方括號標籤（
[whisper]、[laughs]、[sigh]），而且可以使用能啟用 Triton 編譯器融合的 Linux 或 WSL2，請選 Fish Audio S2 Pro。 - 若要用小 VRAM 足跡做英文語音複製，請選 Chatterbox（Turbo、Nano、Standard）。Nano（約 3.0 秒，0.38× RTF）在 CPU 與 GPU 上提供最高速度，Turbo（約 5.0 秒，0.57× RTF）支援副語言事件標籤（
[laughter]、[sigh]），而 Standard（約 6.0 秒，0.77× RTF）可啟用創意的 CFG 引導與情緒誇張調校。 - 若要做實驗性的多模態語音複製，以及以文字描述的英中文語音生成，請選 MOSS-TTS。
- 如果你需要高品質的多語言零樣本複製，並能用自然語言指示語氣（
"Speak in English with excitement"），請選 CosyVoice 3。 - 如果你需要完整的多語言支援（30 種語言）、逐字稿輔助的 Ultimate Cloning 與自然的語音設計，請選 VoxCPM2。
- 如果你想要乾淨的多語言複製、有彈性的語音設計與穩定的提示詞遵循度，請選 Qwen3-TTS。
- 如果你的 bot 說日文，請選 IrodoriTTS。它是唯一受測的純日文引擎（Windows 上約 4 秒，0.47× RTF），並原生解析 Unicode 表情符號（
😊、😢、😡）來調節角色情緒。
TomoriBot 目前所有 sidecar 都回傳完整的 WAV 給 bot。「串流路徑」指的是上游模型或另外的服務後端具備串流能力，不代表 Discord 語音通話串流已經實作。大小是模型參數，不是 VRAM 或下載大小，而 16 GB 那一欄是設定指引，不是實測峰值。速度欄描述每個引擎預期的取捨；上面的實測時間來自同一台 Windows 機器，並不能用來在 Linux 上排名這些引擎。
| 引擎 | 模型大小；16 GB GPU | 語言 | 語音來源與控制 | 速度與串流路徑 | 適合用來 |
|---|---|---|---|---|---|
| Chatterbox | 350M Turbo（預設）、110M Nano 或 500M Standard；可以，Nano 能用 CPU | 英文 | 參考語音複製、支援的事件標籤；標準模型提供 CFG 與誇張度 | 主打快速與小體積；包裝回傳完整 WAV | 小型的英文複製設定或 CPU 實驗 |
| Qwen3-TTS | 每種模式 1.7B；可以，模型會切換 | 10 種，含英文與日文 | 複製或以文字描述的 VoiceDesign | 重視品質；上游可串流，包裝會緩衝 | 通用多語言複製與日文 VoiceDesign |
| MOSS-TTS | 4B 複製加上約 1.7B 設計，會切換；16 GB 是試用目標，未經驗證；8B 旗艦大概不行 | 複製：31 種，含日文；設計：英文與中文 | 複製或以文字描述的 VoiceGenerator；複製語言標籤 | 實驗性；本機複製有上游串流後端，包裝會緩衝 | 比較 MOSS 複製品質，或英中文語音設計 |
| IrodoriTTS | 目前 v4.1 Small 約 0.8B；在一次本機執行中觀察到約 3 到 4 GB VRAM | 僅日文 | 複製或 VoiceDesign；表情符號風格提示 | 取樣步數在品質與速度之間取捨；包裝會緩衝 | 小體積的日文語音與表情符號驅動的語氣 |
| Fish S2 Pro | 4B；官方 BF16 預設（約 16 到 18 GB），可選 INT8 以塞進 16 GB | 上游聲稱 83 種 | 參考語音複製（需要參考逐字稿）、自由形式的方括號表情標籤 | 沉重的 Dual-AR 模型；快速合成需要帶 Triton 的 Linux 或 WSL2（Windows eager 模式約 65× RTF） | 細緻有表情的複製；請檢查研究授權條款 |
| VoxCPM2 | 2B；上游回報 BF16 約 8 GB | 30 種 | 複製、語音設計、逐字稿輔助的 Ultimate Cloning、語氣指示 | 上游在 RTX 4090 上約 0.30 RTF；上游可串流，包裝會緩衝 | 單一多語言模型，具備最廣泛的語音來源控制 |
| CosyVoice 3 | 核心 0.5B；16 GB 舒適，下載與執行時佔用更大 | 9 種，含日文，另有中文方言 | 複製、跨語言複製、自然語言語氣 | 主打低延遲；上游原生支援文字與音訊串流，包裝會緩衝 | 具備跨語言複製的未來串流候選 |
模型大小與語言數量依 Chatterbox、Qwen3-TTS、MOSS、Irodori、Fish S2 Pro、VoxCPM2 與 CosyVoice 3 的上游頁面。各指南另有 OS、驅動程式、授權條款、模型修訂版與記憶體細節，請逐一查看。16 GB 的 GPU 不一定能同時容納一個 TTS 模型與一個大型本機 LLM。
Irodori 的 VRAM 數字是單次本機觀察，不是已發布的最低需求，也不是跨引擎的基準。記憶體用量會隨執行環境、精確度、腳本長度與其他 GPU 工作負載而異。
Qwen3-TTS 的第一次自動請求包含模型載入。MOSS 會在設定期間預先下載兩個模型，並在啟動時預設預熱複製模型，但兩個自動伺服器在切換模式之後仍然必須載入另一個模型。TomoriBot 為每個完整回應最多等待 TTS_SYNTHESIZE_TIMEOUT_MS（預設 240000 ms）。