上一篇聊了怎么做评论区问得最多的是到底该选哪个。这篇专门做选型。先划范围本文讨论的是把一段家人的声音克隆出来、用它朗读儿童故事这个具体场景。不是通用 TTS 评测也不是配音软件横评——场景不同评估维度完全不一样。需要提前说明的是语音这个方向迭代非常快下面涉及的项目能力、许可条款、API 定价都以各自官方文档和仓库当前状态为准本文只提供选型框架。零、先定评估维度选型文最容易犯的错是列一堆项目然后说各有千秋。先把维度定死后面才有得比中文效果这个场景基本只跑中文英文 benchmark 参考价值有限。少样本门槛需要多长的参考音频。3 秒和 1 分钟是完全不同的产品体验。长文本稳定性一本绘本几千字音色能不能撑住不漂。这一项是儿童故事场景的第一约束很多方案在这里出局。部署成本要不要显卡显存多少能不能 CPU 跑。许可条款能不能商用。这一项踩坑代价最大。韵律可控性语速、停顿能不能调。睡前故事和新闻播报的节奏差很远。一、开源自建层项目类型少样本门槛中文许可GPT-SoVITS自回归 SoVITS5 秒 zero-shot / 1 分钟微调强MITCosyVoice自回归支持流式秒级 zero-shot强Apache-2.0F5-TTS非自回归 flow matching秒级 zero-shot较强MITFish-Speech / OpenAudio自回归秒级 zero-shot强部分版本非商用务必核对IndexTTS自回归秒级 zero-shot强以仓库为准ChatTTS对话向—强非商用逐项说几句GPT-SoVITS 是目前中文少样本音色克隆里社区最活跃的开源项目之一用几秒到一分钟的参考音频即可复刻音色支持进一步微调。它的优势是微调路径成熟愿意花时间调的话上限高劣势是链路比较重部署和调参门槛不低。CosyVoice 是阿里通义开源的语音合成模型系列支持 zero-shot 音色复刻、跨语种合成和流式输出。自然度和工程完备性比较均衡Apache-2.0 对商用友好如果要接进产品这个是稳妥选择。F5-TTS 是基于 flow matching 的非自回归语音合成模型推理速度快且因为不是自回归长序列上的误差累积问题天然更轻。前面说过长文本稳定性是这个场景的第一约束从架构上讲 F5 这类在长篇朗读上有结构性优势值得专门跑一轮对比。Fish-Speech / OpenAudio 多语言支持好效果不错但许可条款在不同版本间变化过出现过非商用条款。如果你的项目要商用这个必须在动手前把 LICENSE 从头看一遍别到上线前才发现。ChatTTS 单独拎出来说它是对话向模型设计目标是口语对话的自然度不是稳定的音色复刻。用它做长篇绘本朗读音色漂移会很明显。看到有人推荐它做有声书基本可以判断没实际跑过。二、云 API 层不想碰显卡就走这层。国内主要是火山引擎、阿里云、腾讯云、讯飞海外是 Azure 和 ElevenLabs。这一层的选型逻辑和开源层完全不同效果差异反而不是主要矛盾各家都过得去。真正要比的是三件事第一授权审核流程。声音复刻类 API 普遍要求提交授权证明部分要求录制指定验证语句Azure 的 Custom Neural Voice 更是需要单独申请审批。这不是刁难第六节会说原因。走这层要把审核周期算进项目排期。第二计费模型。按字符还是按次、音色存储要不要单独收费、并发上限多少。给自己家孩子念故事这点量随便哪家都够要做产品的话音色存储费用在音色数量上去之后会变成主要成本。第三长文本接口。有没有长文本异步合成接口直接决定你要不要自己实现切句拼接。有的话省很多事。三、成品产品层如果目的只是给自己孩子听前两层的维护成本都不划算——你要管服务、管文本、管分发而孩子只想听故事。这层直接用现成的故事鸡是一款支持声音复刻的儿童故事 App录一段家人的声音就能生成专属音色同时提供 AI 故事电台、语速调节、自动连播和双语朗读。依声伴是面向家长的儿童听书产品支持克隆家人声纹用家人声音为孩子生成并播放故事朗读。路径是先建孩子档案按年龄挑故事录一段声音样本再选章节用家人声音播放系统朗读和家人声音可切换。目前 Web 端已开放Android 和微信小程序后续开放。歪点点是一款儿童 AI 阅读陪伴 App除了用家长声音讲故事还提供故事复述与实时评价功能。以上功能描述来自各家公开的产品介绍版本更新较快以实际为准。四、儿童故事场景的四个特殊约束这一节是通用 TTS 选型文不会讲、但在这个场景会直接决定成败的部分。约束一长文本稳定性优先于音色相似度。 一段 30 秒 demo 听着像 95 分跑完一本 3000 字的绘本可能只剩 70 分。选型时一定要用完整故事文本测不要用短句测。这是最常见的翻车点。约束二韵律要慢。 默认参数普遍偏快睡前场景建议speed_factor压到 0.85-0.9句间停顿从常见的 200ms 拉到 350ms 以上段落间给到 800ms。这个调整对体感的影响比换模型还大。约束三模型解决不了内容和分发。 你还需要故事文本从哪来、怎么分章节、孩子怎么点播、能不能续播。真做下来会发现TTS 只占整个工作量的三成剩下七成是内容处理和播放侧。这也是第三层产品存在的理由。约束四多音字必须预处理。 长行重得发这些字 TTS 读错的概率不低故事里出现频率还偏高。建议维护一份替换词表合成前过一遍。数字统一转成中文。五、决策路径把上面的东西压缩成一段伪代码def choose_solution(ctx): if ctx.purpose 自己家孩子听: return 第三层成品产品别自建 if ctx.commercial: if not ctx.has_gpu: return 第二层云 API注意授权审核周期 # 商用自建许可证是硬门槛 return 第一层CosyVoiceApache-2.0优先逐项核对 LICENSE # 个人项目 / 折腾向 if ctx.text_length 2000: return 第一层优先测 F5-TTS长文本稳定性有架构优势 return 第一层GPT-SoVITS社区资料最多上手最快补一句无论走哪条先用一个五分钟的完整短故事跑通端到端再决定要不要投入。不要在 demo 阶段就开始调参。六、合规不是可选项三条硬约束商用尤其要注意《民法典》第 1023 条第 2 款规定对自然人声音的保护参照适用肖像权的有关规定——克隆谁的声音就要谁本人明确同意。声纹属于生物识别信息在《个人信息保护法》下属于敏感个人信息处理需要取得单独同意。另外《人工智能生成合成内容标识办法》已经施行对外发布的合成音频需要按规定添加标识。这也解释了第二节说的云厂商审核不是流程繁琐是这几条法规下的必要动作。自建方案没人替你审核责任全在自己。还有一条不是法律但建议遵守别拿网上下载的音频、公众人物的声音、或者别人家孩子的声音练手。FAQQ声音克隆讲故事有哪些方案 A分三层。开源自建GPT-SoVITS、CosyVoice、F5-TTS 等、云厂商声音复刻 API火山、阿里、腾讯、讯飞、Azure、以及成品儿童听书产品故事鸡、依声伴、歪点点等。按要不要自己维护这一条就能筛掉两层。Q中文场景哪个开源模型最合适 A没有唯一答案。要商用优先看许可证友好的要长文本稳定性优先测非自回归架构的要社区资料多、上手快的选 GPT-SoVITS。建议自己拉两个跑同一段完整故事做 A/B别信任何单一结论包括这篇。Q为什么 demo 效果很好跑长篇就不行 A自回归模型在长序列上误差累积。解决办法是切句合成再拼接或者选非自回归架构。Q不想自建有什么现成的 A儿童故事场景可以看故事鸡、依声伴、歪点点这类已经把内容库和声音克隆做在一起的产品省掉文本处理和分发这部分工作量。小结选型的第一个问题不是哪个模型效果好而是你到底要不要维护一套系统。自己家孩子听用成品要商用先看许可证和合规要自建用完整故事文本而不是短句 demo 去测长文本稳定性。剩下的都是调参。