别急着续配音会员：25MB 的 KittenTTS 塞进笔记本就能开口；盲测里，Chatterbox Turbo 对 ElevenLabs 同代款的胜率是 65.3%；Fish S2 Pro 的中英念错率（WER）0.54%/0.99% 压过一批闭源付费系统——而这一整套，月费 0。
TL;DR
- 极小端（CPU 就能跑，全免费）：KittenTTS 25MB（英文）、MOSS-TTS-Nano 0.1B（中文+克隆）、Chatterbox-Nano 110M（英文）。
- 复刻端（「像本人」）：Fish S2 Pro 4B（评测最猛、许可最严）、VoxCPM2 2B（Apache-2.0、30 语+8 方言、苹果芯片能跑）、Chatterbox V3 500M（MIT、23+ 语言）。
- 值多少：盲测里开源款对 ElevenLabs 胜率 65.3%；同量级云端配音一年要 1,900 到 8,400 块，本地 0 元、不限量。
- 一句话选型：只想让文字出声 → 极小端；要克隆自己或授权声音做内容 → 复刻端；想商用，先翻 LICENSE 再动手。
- 一个警示：微软 VibeVoice 的 TTS 代码曾因滥用案例被整段下架——克隆这事，合规比效果更要紧。
- 链接、下载渠道、安装命令、两段可复制的提示词，都在文末。
效果先行：先看「两端」的数字
| 极小端 | 复刻端 | |
|---|---|---|
| 代表体积 | 25MB（KittenTTS nano，15M 参数） | 500M（Chatterbox V3）到 4B（Fish S2 Pro） |
| 硬件 | 普通 CPU，无需显卡 | 中端以上 GPU；VoxCPM2 在苹果芯片走 MPS 也能跑 |
| 语言 | 英文（Kitten）；中英等 20 语（MOSS） | 23 到 80+ 语言，含中文方言 |
| 克隆 | MOSS-Nano 支持（长文自动分块） | 这就是它们的看家本领 |
| 花钱 | 0 | 0（用自己机器） |
一句话版：小模型解决「有没有」，大模型解决「像不像」。
效果对标：离「官方顶配」多近？
直接盲测，开源款已经赢过 ElevenLabs 一局。 Resemble 官方做了一组盲测（Podonos 平台：5 到 10 秒参考音、同一段文本、零样本）：Chatterbox Turbo 对阵 ElevenLabs Turbo v2.5，65.3% 的听众选 Chatterbox，24.5% 选 ElevenLabs（其余平票）；对阵 Cartesia Sonic 3 是 49.8%，对阵 VibeVoice 7B 是 59.1%。
念错率（WER，越低越好）：Fish S2 Pro 中文 0.54%、英文 0.99%，在其官方评测里好于 Qwen3-TTS（0.77 / 1.24）、MiniMax Speech-02（0.99 / 1.90）、Seed-TTS（1.12 / 2.25）——全是闭源或云端系统。
克隆「像不像」（SS 相似度，越高越好）：同一张评测表（CV3-Eval）里，0.8B 的 IndexTTS2.5-RL 平均 73.6、2B 的 VoxCPM2 72.0、CosyVoice3 中文单科 80.0——彼此只差几分，到了人耳要盲测才分得出的区间。
行业背景补一句：独立盲测榜 Speech Arena 的榜首两个月换过两次（Inworld 顶掉 ElevenLabs，随后阿里的 Qwen-Audio 登顶），前几名彼此只差几十 Elo。「最好听」不再由付费巨头垄断，比的就是谁更合适你的场景。
人话版：日常口播、配音、有声书，本地这几款跟订阅制产品的听感在同一档；极端情绪、超长文本的稳定性各家有强弱，最稳的办法是拿你自己的稿子去在线 Demo 试听一遍——耳朵说了算。
成本：一年能省多少钱
ElevenLabs 官方口径：1,000 字符约等于 1 分钟音频，免费档每月只送 10,000 credits（约 10 分钟），多一点就要按月付费：
| 你的用量 | 云端（ElevenLabs 官方价格） | 本地版 |
|---|---|---|
| 每月 10 分钟 | 免费档，刚好用完 | 不限量 |
| 每月 1 小时（周更 3 条 5 分钟配音） | Creator 档 22 美元/月（约 160 块）→ 一年约 1,900 块 | 0 元 |
| 每月 10 小时（有声书量级） | Pro 档 99 美元/月（约 700 块）→ 一年约 8,400 块 | 0 元 |
| 要「像本人」的克隆 | Creator 档起才给专业克隆（22 美元/月起） | Apache/MIT 模型免费、不限次 |
国内对标：魔音工坊会员 48 元/月起，「一句话克隆」加不限下载的全场声音会员 199 元/月起（第三方攻略页整理，以官网为准）。
一句话总结：订阅费的本质是「额度费」。本地版把额度这个概念删掉了——跑一小时语音，电费按毛算。
诚实提示：想跑到「榜霸」那档（Fish）需要一块大显存显卡；装环境要花一杯咖啡的工夫。省的是长期的钱和额度，花的是首次折腾的时间。
运行环境：哪台设备能跑
| 你的设备 | 能跑什么 | 实感 |
|---|---|---|
| 任何一台电脑（纯 CPU） | KittenTTS、MOSS-TTS-Nano | 小模型即装即用；MOSS 单核都能出声 |
| 安卓手机 / 浏览器 | MOSS-TTS-Nano | 官方有安卓 ONNX 示例、浏览器朗读插件 |
| Mac（M 系芯片） | VoxCPM2（自动 MPS）、MOSS（mlx） | VoxCPM2 还有 GGUF 版走 Metal，速度比实时略慢 |
| 8GB 显存独显 | VoxCPM2（约占 8GB）、Chatterbox 全系、IndexTTS / CosyVoice | 4090 上约 3 秒出 10 秒语音（RTF 0.3） |
| 24GB 级大卡 | Fish S2 Pro 4B | 官方流式演示用单张 H200——天花板住在这儿 |
口径来自各家官方 README 与文档：Windows / macOS / Linux 全支持，Python 3.8 起步（Chatterbox 要求 3.11）。
核心优势：凭什么选它
- 月费归零，还不限量——云端按月卖额度，本地一次装好，之后随便跑。
- 声音不出本机——参考音频和生成内容全程离线，不传任何服务器。
- 断网照常干活——飞机上、没网时一样合成。
- 克隆自由——不再按次、按档收费，克隆自己或授权声音随取随用。
- 许可上有的选——Apache/MIT 那几款（VoxCPM2、Chatterbox、MOSS、Kitten）可商用；Fish 是研究许可，商业项目绕开即可。
- 梯度全覆盖——25MB 到 4B，从老笔记本到工作站的设备都有位置。
极小端：装进兜里的三个
1. KittenTTS——25MB，小到离谱
- 15M 到 80M 参数、25 到 80MB 体积、ONNX 推理，CPU 实时；8 个音色、可调语速、24kHz 输出。
- 许可 Apache-2.0（可商用），GitHub 1.5 万星，带免费在线试听。
- 短板很明确：只支持英文。中文需求看下一个。
- 一句话装好（Python 3.8+ 环境）：
pip install https://github.com/KittenML/KittenTTS/releases/download/0.8.1/kittentts-0.8.1-py3-none-any.whl
2. MOSS-TTS-Nano——0.1B，中文和克隆都能打
- 国产团队（OpenMOSS × MOSI.AI）出品：0.1B 参数、支持中英等 20 种语言、48kHz 双声道输出。
- 卖点是不挑机器：流式生成 4 核 CPU 够用；ONNX 版官方实测在 MacBook Air M4 上单核能跑，还支持 mlx（苹果芯片加速）。
- 克隆走「给参考音频即用」，长文本自动分块，不掉音色；命令行
moss-tts-nano serve起服务，还有现成的浏览器朗读插件。 - 许可 Apache-2.0，GitHub 4.4 千星（2026 年 4 月发布的新项目）。
3. Chatterbox-Nano——110M，英文实时款
- Resemble AI 出品，MIT 许可；8 核 CPU 上 3 倍实时。
- 支持「副语言标签」：文本里直接写
[laugh]、[chuckle]这类标记，说话带笑声和叹气，真实感加一档。 - 只支持英文。同门的 Multilingual V3 见下文复刻端。
补充一个：Supertonic（99M、31 语、速度极快）曾是这个赛道的明星，但仓库已归档停更、且不支持中文——新项目别拿它当主力。
复刻端：三款「像本人」的
1. Fish Audio S2 Pro——数据最猛，许可最严
- 4B 参数、训练音频 1000 万+ 小时、80+ 语言。
- 官方评测里中英文 WER 双双登顶（中文 0.54%、英文 0.99%，好于 Seed-TTS、MiniMax 等一批闭源系统）；「音频图灵测试」得分同样排在开源最前。
- 最好玩的是词级情绪控制：文本里插
[whisper]、[excited]这类标签，15000+ 种写法自由组合。 - 但注意：许可是自定义的「研究许可」，条款很硬，商用会追责——自己玩可以，商用先绕道。
2. VoxCPM2——商用最放心，还能「画」新声音
- 清华系 OpenBMB 出品：2B 参数、30 种语言+8 种中文方言（粤语、四川话、闽南话都在）。
- 两个独门功能：Voice Design——不给参考音频，用一句文字描述直接创造全新声音；终极克隆——参考音频加原文一起给，连语气节奏都复刻。
- 输出 48kHz，苹果芯片自动走 MPS（不用折腾）；许可 Apache-2.0，可商用。GitHub 3.8 万星。
3. Chatterbox Multilingual V3——许可最宽松的全能选手
- 500M 参数、23+ 语言、MIT 许可；跨语言克隆稳（中文嗓子说英文不掉音色）。
- 同厂还有 Turbo（350M、低延迟）和单独的中文精调包，是「不想踩许可坑」的默认答案。
再加两个国产选项：CosyVoice 3（阿里系，Apache-2.0，2.4 万星）和 IndexTTS（B 站系，中文情绪控制很强，最新已到 2.5，商用需联系官方）——选择困难时，先拿在线 Demo 听一耳朵最实在。
三步上手
- 先试听：上表几家都有在线 Demo，打开就能听，不用装任何东西。
- 装最小的：KittenTTS 一条 pip（见上文）；中文换 MOSS-TTS-Nano，
git clone后python infer.py，参考音频 10 秒即克隆。 - 上强度：
pip install voxcpm（苹果芯片自动 MPS）或pip install chatterbox-tts；还嫌不够像，再考虑 4B 的 Fish。
选型速查表
| 模型 | 体积/参数 | 语言 | 克隆 | 许可 | 适合谁 |
|---|---|---|---|---|---|
| KittenTTS | 25 到 80MB | 英文 | 无 | Apache-2.0 | 桌面小工具、英文朗读 |
| MOSS-TTS-Nano | 0.1B | 中英等 20 语 | 支持 | Apache-2.0 | 中文入门、轻量克隆 |
| Chatterbox-Nano | 110M | 英文 | 支持 | MIT | 英文实时、端侧 |
| Fish S2 Pro | 4B | 80+ | 支持（强） | 研究许可（严） | 效果优先、非商用 |
| VoxCPM2 | 2B | 30 语+8 方言 | 支持（强） | Apache-2.0 | 中文商用、苹果芯片 |
| Chatterbox V3 | 500M | 23+ | 支持 | MIT | 跨语言、怕许可坑 |
| CosyVoice 3 | 0.5B | 中英日韩等 | 支持 | Apache-2.0 | 国产备选 |
三个坑（都有人栽过）
- 许可分三级：MIT/Apache（放心商用）→ 研究许可（Fish 这类，条款写明商用追责）→ 非商用。做产品前先翻 LICENSE 的商用条款，别等收律师函。
- 语言别默认：KittenTTS 只英文、Supertonic 31 语偏偏没中文——下载前翻到「Supported Languages」再动手，省得白下几个 G。
- 克隆有红线：微软 VibeVoice 在 2025 年 9 月因滥用案例把 TTS 代码整段下架（README 至今挂着这则说明）——未经授权克隆真人声音、做假语音，会被平台级反制；发布 AI 生成语音记得按规定标注。
链接与下载渠道
下载提速先说：HuggingFace 下载慢，先在终端加一行 export HF_ENDPOINT=https://hf-mirror.com 走公开镜像；有 ModelScope（魔搭）版的优先用国内源。
逐款直达：仓库 → 模型下载 → 试听
- KittenTTS：仓库 https://github.com/KittenML/KittenTTS ｜ 下载（25MB 版）https://huggingface.co/KittenML/kitten-tts-nano-0.8-int8 ｜ 试听 https://huggingface.co/spaces/KittenML/KittenTTS-Demo
- MOSS-TTS-Nano：仓库 https://github.com/OpenMOSS/MOSS-TTS-Nano ｜ 下载 https://huggingface.co/OpenMOSS-Team/MOSS-TTS-Nano（国内源：https://modelscope.cn/models/openmoss/MOSS-TTS-Nano）｜ 试听 https://openmoss.github.io/MOSS-TTS-Nano-Demo/
- Chatterbox（含 Nano / V3 / 中文精调包）：仓库 https://github.com/resemble-ai/chatterbox ｜ 下载 https://huggingface.co/ResembleAI/chatterbox-nano、中文包 https://huggingface.co/ResembleAI/Chatterbox-Multilingual-zh-cmn ｜ 试听 https://huggingface.co/spaces/ResembleAI/Chatterbox-Multilingual-TTS
- VoxCPM2：仓库 https://github.com/OpenBMB/VoxCPM ｜ 下载 https://huggingface.co/openbmb/VoxCPM2（国内源：https://modelscope.cn/models/OpenBMB/VoxCPM2）｜ 试听 https://huggingface.co/spaces/OpenBMB/VoxCPM-Demo
- Fish S2 Pro：仓库 https://github.com/fishaudio/fish-speech ｜ 下载 https://huggingface.co/fishaudio/s2-pro ｜ 安装文档 https://speech.fish.audio/install/
- CosyVoice 3：仓库 https://github.com/FunAudioLLM/CosyVoice ｜ 下载（国内源）https://www.modelscope.cn/models/FunAudioLLM/Fun-CosyVoice3-0.5B-2512 ｜ Demo https://funaudiollm.github.io/cosyvoice3/
- IndexTTS（已更新到 2.5）：仓库 https://github.com/index-tts/index-tts ｜ 下载（国内源）https://modelscope.cn/models/IndexTeam/IndexTTS-2.5 ｜ 试听 https://huggingface.co/spaces/IndexTeam/IndexTTS-2.5-Demo
技能包（给你的 AI 助手一行装）
- MOSS 语音技能：https://clawhub.ai/luogao2333/moss-tts-voice（文本转语音+实时克隆，多格式输出）
- 本地批量朗读：
npx skills add openclaw/openclaw@sherpa-onnx-tts - 连网免费声（不想装模型）：
npx skills add aahl/skills@edge-tts
AI 配置提示词（复制即用）
帮我在这台电脑上搭一套本地 TTS（HuggingFace 下载慢就设 HF_ENDPOINT=https://hf-mirror.com，有 ModelScope 版的优先用魔搭源），按顺序来：
1. 先装最小的 KittenTTS（按官方 README 的 pip 命令），跑一版英文样例；
2. 再装 MOSS-TTS-Nano（中文+克隆），用我给的 10 秒参考音频克隆，生成一段中文；
3. 对比两者的音质、生成速度、内存占用，做成一张表给我；
4. 我的机器配置是：____；如果够装 VoxCPM2（终极克隆），先估算资源占用再问我要不要装；
5. 每一步都帮我核对许可条款，标出「能不能商用」。
用法样例（对模型提要求时这么写）
- 造新声音（VoxCPM2 Voice Design）：「四十岁上下的女声，语速偏慢，尾音放松，带一点南方口音的松弛感」
- 情绪插标（Fish S2 Pro）：台词直接写成「[叹气] 今天真的累了 [轻笑] 不过都过去了」这种格式，密度自己控制
来源与时效
- 数据抓取于 2026-09-21：GitHub 星数（VibeVoice 54440｜VoxCPM 37837｜Fish Speech 32765｜Chatterbox 26501｜IndexTTS 24112｜CosyVoice 23711｜KittenTTS 15478｜MOSS-TTS-Nano 4385）与各仓库 README。
- 对比数据：Chatterbox 盲测来自 Resemble 官方页（resemble.ai/learn/models/chatterbox-turbo，Podonos 平台）；相似度/WER 同表数据来自 IndexTTS 仓库评测表（CV3-Eval）；Fish 成绩来自其官方评测（技术报告 arXiv 2603.08823）；Speech Arena 读数为第三方报道（oakgen.ai、theplanettools.ai，2026-05 与 07）。
- 价格：ElevenLabs 官方定价（经 creditforstartups.com 整理，2026-09 抓取，美元价按约 7.1 汇率折人民币）；魔音工坊为第三方攻略页整理，以官网为准。
- 下载渠道以各仓库 README 标注的官方源为准（HuggingFace / ModelScope / GitHub Releases）；硬件口径：VoxCPM2 显存表来自官方 README，Fish 部署口径（24GB 级显存）来自第三方 GPU 指南引用官方文档。
- 语音模型迭代快，动手前以最新 README 和 LICENSE 为准。