给项目选 AI 语音，先查许可证再看音质榜

先听两段 AI 配音的想象实验。一段，你几乎听不出是机器，停顿自然，语气里还有情绪起伏。另一段，一开口就是熟悉的导航腔，每个字都标准，每个字都没有人味。

大多数人把差距归因于工具好坏。错了一半。真正的分水岭在选型，选错了技术路线，后面怎么换工具都是在错误的赛道上跑步。老雷帮企业做 AI 选型这几年，见得最多的浪费就是这里，模型选了半个月，路线一开始就是错的。

这篇不讲代码，只讲三件事，路线怎么分、筛子怎么设、名单怎么缩。给的是一张选型的决策地图。

先分清三条路线

AI 语音这块地图上，主流的板块有三个，外加一类集成套件。

第一条路，文本转语音，就是常说的 TTS。文字进，声音出，手机里的 Siri 和小爱同学背后都是它。早期的机器味来自拼贴，把预录的音素一段段接起来。现在的模型用神经网络直接学人类语音的波形，自然停顿、恰当语气甚至情感变化都能做出来。流程拆开看是两步，先像语言学家一样理解句子结构和韵律，再把分析结果画成声音的图纸，交给声码器合成音频。

第二条路，声音克隆。给几秒目标人的录音，模型从无到有生成这个人从来没说过的内容。做个性化配音、多语言内容，走这条。

第三条路，语音转换。注意输入变了，不是文字，是一段已有的源音频。做的事是换声，把 A 唱的歌变成 B 的音色，情感和节奏全保留。AI 翻唱、实时变声都是这条路，社区里最流行的是 RVC 这个工具，十到二十分钟的干净录音就能训出一个效果不错的模型，社区还沉淀了成千上万个现成音色。

三条路解决三个不同的问题。先问自己要做的是哪件事，再去挑工具，顺序不能反。

第一道筛子是许可证，不是榜单

这一条被太多团队忽略，老雷把它放在筛子的第一位。一个模型技术再强，许可证不允许你的用法，一切都是白忙。

这里有个最容易踩的深坑，同一个项目，代码和模型权重的许可证可能不一样。很多项目代码用宽松的 Apache 2.0，模型权重却挂非商业许可。GitHub 首页那个显眼的 Apache 徽章，可能只代表代码那一半。拿去商用之前，两个都要单独确认，这条应该写进每个技术评估的检查清单。

许可证大致分几档。MIT 和 Apache 2.0 可以商用，Apache 2.0 还额外送专利保护。CC BY-NC 系列明确不可商用，注意 Fish-Speech 和 F5-TTS 这两个明星项目的权重都挂的这个。AGPL 3.0 能商用但有传染性，你的代码也得跟着开源，ChatTTS 的代码就是这种。还有 CPML 这种自定义许可，XTTS-v2 挂的就是，不可商用。

拿着这把筛子过一遍榜单，会过掉几个名字，其中最扎眼的一个是 Fish-Speech，TTS-Arena2 榜单第一，情感标记丰富，社区口碑极好。但它的权重不可商用，做产品只能绕行，做研究随便用。还有一个隐性风险值得记一笔，XTTS-v2 背后的公司 Coqui 已经停运，项目没了维护方，这种模型哪怕许可证能过，长期押注也要掂量。

许可证不对，技术再强也是别人的技术。

商用阵营，挨个过一遍

筛完许可证，商用的可选名单其实不长，六个能打的，按从边缘到主力的顺序过。

Piper，C++ 写的，树莓派都能跑，完全离线，MIT 许可。给智能家居和物联网设备配语音，它是性价比之王。

MeloTTS，CPU 上就能实时运行，中英混读，MIT 许可。服务器没有 GPU 的团队，先看它。

IndexTTS，B 站关联团队的出品，独创字和拼音的混合建模，专治中文多音字。项目面向中文用户、对发音准确性敏感的，它的位置没人能替。

MegaTTS 3，字节跳动的作品，参数只有 4.5 亿但克隆质量是顶级水准，中英双语，Apache 2.0。追求高保真离线生成，它是最强选项之一。

OpenVoice V2，MIT 完全可商用，绝活是克隆完音色还能调情感、口音和语速，等于给了配音一个导演台。拿自己的声音做有声书、每个角色情绪都不一样的场景，就是为它准备的。

最后压轴的是 CosyVoice 2，阿里达摩院出品，Apache 2.0 代码权重双商用。三项能力叠在一起目前没有对手，流式生成、150 毫秒首包延迟、支持粤语四川话上海话这些中文方言。做实时语音交互、AI 客服、直播场景，当前开源阵营里它就是默认答案。

顺带把声音克隆的预期校准一下。现在的零样本克隆，三到十秒高清录音就能到很高的相似度，背后的架构从自回归演进到流匹配和扩散，速度质量都是质的飞跃。但实测经验是，录音质量比录音时长重要，一段三秒的安静环境高清干声，往往胜过三十秒的嘈杂样本。要做克隆，先准备十到十五秒背景干净、发音清晰的语音，语速自然，别端着。还有一条红线，用名人声音做商业内容是法律灰色地带，商用项目只用自己的声音或拿到授权的声音，别赌。

开源还是买 API

名单缩完了，最后一层决策是部署形态。开源模型还是商业 API，答案不在音质上，开源在纯音质上已经追上来了，差距在三个看不见的地方，文档质量、服务等级协议和长期维护保障。

商业 API 的真正价值是版本锁定和向后兼容的承诺。做一个要长期运行的商业产品，开源模型可能在某次更新后出现不兼容，排查修复都得自己来，这种隐性人力成本在合同里看不见，账单上全是。

开源的杀手锏也有两个。一个是成本，部署在自己服务器上，长期运行的边际成本趋近于零。一个是数据隐私，所有音频留在本地，处理医疗录音、法律文件这类敏感内容时，数据不出服务器可能是决定性的选型因素。

实操上有两条成熟路线可以直接抄，老雷给客户做方案也是从这两条里挑。一条是混合策略，开发阶段用商业 API 快速验证方案，跑通后再迁移到开源自建，前期不浪费时间，后期成本可控。一条是双引擎，找个高品质的主方案再配一个低成本的免费备选，实测里有人用二十多万音色的 Fish Audio 商业版配微软 TTS 免费档，用户按预算自选，两条腿走路。中间还有个折中形态，SiliconFlow 这类国内算力平台提供按量付费的开源模型托管，不用自己买 GPU，按音频时长付钱，中小团队可以先从这里起步。

五步收口，一小时定案

把整套决策压成五步，照着走就行。

第一步，用途。商业产品直接用许可证筛，名单立刻缩到 CosyVoice 2、OpenVoice V2、MegaTTS 3、MeloTTS、IndexTTS 这几支。第二步，硬件。没有 GPU 就 MeloTTS 或 Piper，有 RTX 3060 以上的消费级卡，大部分模型都能跑。第三步，语言。中文多音字敏感选 IndexTTS，中英混读看 CosyVoice 2 和 MeloTTS，多语言需求注意 XTTS-v2 支持十六种语言但它不可商用。第四步，实时性。做实时对话，CosyVoice 2 的一百五十毫秒首包延迟是开源最快，做有声书这类离线批量，延迟不敏感，音质优先。第五步，实测。别只看论文和榜单，同一个模型在长句、短句、带数字、中英夹杂的文本上表现差异很大，拿你业务里最典型的文本去测，测出来的才是真的。

顺手提醒最后一公里，音频后处理。再好的模型生成的音频也不是成品，三件事要做，音量标准化，不同模型响度不一致，直接拼接听感很怪。降噪，某些模型句末带轻微电流音。格式转换，各平台对采样率要求不同。这套动作用 FFmpeg 能拼成自动流水线，不想碰命令行，Adobe Podcast 和 Descript 的在线增强也能顶。

还有一个趋势放在雷达上，端到端语音对话模型。传统的语音交互是识别、大模型、合成三段串联，每段都有延迟。新一代模型从语音进直接到语音出，GPT-4o 的语音模式已经演示了自然停顿和插话，开源社区的 Dia 也在跟进。要做实时语音助手，这个方向的权重该逐步加上。

最后给一个纪律，一小时原则。选型阶段给自己一小时，到点就定，立刻开始实验。选型追求的是够好，不是最好，模型的真实评价只有动手之后才形成，实验不理想再换，成本远低于在选型里无限纠结。

地图已经给你了，剩下的路要用嘴问出来，用耳朵听出来。

第一个实验，今天就跑。