语音克隆（二）：主流开源项目全景对比
目前开源语音克隆项目百花齐放，本文整理了 GitHub 上最热门的项目，对比各自的架构、语言支持、适用场景，帮你快速选型。 Stars 排行榜 排名 项目 Stars 核心特点 1 Real-Time-Voice-Cloning ~60k 经典三阶段流水线，最早流行的克隆项目 2 GPT-SoVITS ~58k 中文最强，1分钟数据即可微调 3 Coqui TTS (XTTS) ~45k 工业级框架，17种语言，3秒零样本 4 ChatTTS ~39k 中文对话语音质量领先，支持笑声停顿等 5 Bark ~39k 创意音频，可生成笑声/哭声/背景音效 6 MockingBird ~37k 中文版 Real-Time-Voice-Cloning 7 OpenVoice ~37k 音色迁移架构，推理极快 8 RVC ~36k 歌声转换首选，支持实时变声 9 Fish Speech ~31k 端到端，多语言，工业级质量 10 so-vits-svc ~28k AI翻唱鼻祖，歌声克隆质量极高 11 Chatterbox ~25k Resemble AI开源，情感可控 12 CosyVoice ~21k 阿里出品，LLM+流匹配，5种语言 13 Index-TTS ~21k bilibili出品，工业级稳定 14 F5-TTS ~15k 流匹配，非自回归，推理快 15 OmniVoice ~6.6k 支持600+语言，扩散语言模型 完整对比表 项目 架构 支持语言 零样本克隆 推理速度 需要训练 最适合场景 Real-Time-Voice-Cloning 三阶段流水线 英文 是（5s） 接近实时 否 学习/原型验证 GPT-SoVITS GPT + VITS 中/英/日 是（可微调） 中等 可选 中文配音首选 Coqui TTS 多架构框架 17种 是（3s） 中等 否 多语言生产部署 Bark 自回归LM 13种 弱 慢 否 创意/情感音频 ChatTTS 生成式LM 中/英 是 中等 否 中文对话TTS MockingBird 三阶段流水线 中/英 是（5s） 接近实时 否 中文克隆 OpenVoice 音色迁移 6种 是 极快 否 快速克隆部署 RVC VITS + 特征检索 语言无关 需少量训练 实时 是（<10min） 歌声/实时变声 Fish Speech 端到端AR + VQGAN 8+种 是（10s） 快 否 高质量多语言 so-vits-svc SoftVC + VITS 语言无关 需训练 中等 是 AI翻唱 Chatterbox s3gen + 扩散 英文 是 快 否 英语情感配音 CosyVoice LLM + 流匹配 中/英/日/粤/韩 是（3-10s） 快 否 商业TTS服务 Index-TTS GPT-style 中/英 是 快 否 工业生产 Tortoise TTS 自回归 + 扩散 英文 是 慢 否 高质量英语有声书 F5-TTS 流匹配 DiT 中/英 是 快 否 快速零样本克隆 StyleTTS2 扩散 + SLM 英文 是 中等 否 英语质量基准 VALL-E-X 神经编解码LM 英/中/日 是 中等 否 跨语言克隆 Kokoro StyleTTS2变体 英+中日韩法 否（固定音色） 极快 否 本地轻量部署 OmniVoice 扩散语言模型 600+种 是 快 否 超多语言 EmotiVoice BERT + TTS 中/英 有限 中等 否 情感化中文TTS VoiceCraft 自回归 + 码书重排 英文 是 中等 否 语音片段编辑 Qwen3-TTS LLM-native 多语言 是 中等 否 与LLM集成 MetaVoice 自回归 + 扩散(1B) 英文 是（30s） 中等 否 高质量英语克隆 Parler-TTS 描述控制TTS 英文 文本描述控制 中等 否 可控TTS研究 ZipVoice 流匹配 + 蒸馏 中/英 是 极快 否 低延迟实时TTS ESPnet 多架构工具包 多语言 有 依模型 通常需要 学术研究 按使用场景推荐 中文语音克隆 GPT-SoVITS > ChatTTS > CosyVoice > Index-TTS ...