Coqui TTS评测(2026):由社区维护的声音克隆工具包

历史:从Mozilla TTS到社区分支

Coqui TTS实际能做什么

• 多模型接口。 单一的Python类TTS()可加载并运行不同的模型架构,包括基于VITS的单说话人和多说话人模型、基于Tacotron2的模型,以及声音克隆模型XTTS v2,无需更改周围的应用代码。
• 命令行合成。 tts命令行工具可直接从终端合成语音,使用tts --list_models列出所有可用的预训练模型。
• 通过XTTS v2进行声音克隆。 向已加载的XTTS v2模型传入speaker_wav参数,即可从一段简短的参考音频克隆声音,并以XTTS v2支持的语言生成该克隆声音的语音。
• 丰富的预训练模型库。 该工具包提供对预训练模型的访问,据文档介绍,通过底层基于Fairseq的大规模多语言模型可覆盖1,100多种语言,此外还为特定语言提供质量更高的精选模型。
• 模型训练与微调。 除了运行预训练模型外,该工具包还包含训练脚本和数据集分析工具,用于构建或微调自定义语音模型——在Coqui AI的托管训练服务关闭之前,这在历史上是其使用最多的功能之一。
• XTTS v2的流式推理。 该工具包记录了XTTS v2的低延迟流式合成功能(维护中的分支文档称首个音频延迟低于200毫秒),适用于交互式语音应用。

Coqui TTS与XTTS v2的关系

安装与运行Coqui TTS:分步指南

1. 1
   安装受维护的包。
   Why it matters: 在Python环境中运行`pip install coqui-tts`(如果使用uv,则运行`uv pip install coqui-tts`)。请专门安装`coqui-tts`包——而不是指向如今无人维护的原始仓库的旧包名`TTS`。
2. 2
   列出可用的预训练模型。
   Why it matters: 运行`tts --list_models`,即可看到按语言和架构(VITS、Tacotron2、XTTS等)组织的完整可下载预训练模型目录。
3. 3
   从命令行合成语音。
   Why it matters: 运行`tts --text "Hello world" --out_path output.wav`即可使用默认模型合成语音,或添加`--model_name <模型>`从列表中选择特定模型。
4. 4
   (可选)使用Python API进行XTTS v2声音克隆。
   Why it matters: 使用`TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)`加载模型,然后调用`.tts_to_file()`,传入指向简短参考音频的`speaker_wav`参数以及用于克隆声音的`language`参数。
5. 5
   (可选)启用GPU加速。
   Why it matters: 向`TTS()`构造函数传入`gpu=True`,或在已加载的模型对象上调用`.to("cuda")`,即可在NVIDIA GPU上运行推理——对于仅用CPU时明显较慢的XTTS v2尤为推荐。
6. 6
   (可选)为XTTS v2非交互式地接受CPML许可证。
   Why it matters: 首次加载XTTS v2会提示一个交互式的CPML接受步骤。设置环境变量`COQUI_TOS_AGREED=1`即可非交互式地接受它,这是在Docker容器或CI流水线中无人值守使用所必需的。

真实使用示例

• 为自动化环境非交互式接受CPML:在首次加载XTTS v2之前设置COQUI_TOS_AGREED=1,这样Docker构建和CI流水线就不会卡在交互式提示上。
• 说话人与语言自检:加载多说话人或多语言模型后,tts.speakers和tts.languages会列出已加载模型实际支持的内容——便于在合成前验证输入。

# 命令行:列出可用的预训练模型
tts --list_models

# 命令行:使用默认模型合成
tts --text "Hello world" --out_path output.wav

# 命令行:使用指定模型合成
tts --model_name "tts_models/en/ljspeech/tacotron2-DDC" \
    --text "This is a test." --out_path output.wav

# Python API:基本合成
from TTS.api import TTS

tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
tts.tts_to_file(text="Hello world", file_path="output.wav")

# Python API:使用XTTS v2进行声音克隆(先非交互式接受CPML)
# export COQUI_TOS_AGREED=1
import torch
from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="Hola, esto es una prueba.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="cloned_output.wav",
)

# Python API:列出已加载模型可用的说话人和语言
print(tts.speakers)
print(tts.languages)

许可证与成本

Coqui TTS不适合哪些场景

• 基于原始的、无人维护的仓库进行构建。 如果你运行pip install TTS(原始包名)而不是pip install coqui-tts(受维护的分支),你所构建的代码自2024年8月起就没有获得过更新——在依赖某个教程或依赖项之前,请先确认它实际引用的是哪个包。
• 尽可能最快的纯CPU合成。 如果你的优先事项是在没有GPU的Raspberry Pi等入门级硬件上实现实时语音,Piper正是为此专门打造且部署更简单;Coqui TTS的更大模型,尤其是XTTS v2,仅用CPU时明显更慢。
• 未经单独许可证检查的商业声音克隆。 通过Coqui TTS工具包运行XTTS v2,仍然带有XTTS v2自身对模型权重和输出的非商业CPML限制——工具包的MPL-2.0许可证并不能凌驾于此之上。参见上方的"许可证与成本"一节。
• 长期有保障的企业支持。 Coqui AI这家公司自2023年12月起已不复存在。目前的分支由一家研究机构以社区方式维护,这与由资金充足、附带支持合同的公司维护是不同的维护模式——在做关键生产基础设施决策时应将此纳入考虑。
• 跨版本统一稳定的API。 由于开发在无人维护的原始版本和积极开发的分支之间转移,网上一些教程、Stack Overflow回答和博客文章仍引用较旧的API接口或原始包名——请以当前coqui-tts文档为准,而非较旧的搜索结果。

Coqui TTS的替代方案

常见问题

结论

来源

• GitHub上的idiap/coqui-ai-TTS —— 积极维护的分支:README、文档、许可证及发布历史。
• PyPI上的coqui-tts —— 已发布的包元数据,包括当前的MPL-2.0许可证和版本历史。
• GitHub上的coqui-ai/TTS —— 如今无人维护的原始仓库(MPL-2.0许可证)。
• Hugging Face上的XTTS v2 —— 该声音克隆模型的模型卡片和CPML许可证正文。
• Idiap研究所 —— 维护该社区分支的瑞士研究机构。

相关阅读

• 本地TTS与声音克隆许可证:Piper、XTTS v2、F5-TTS与Coqui —— 涵盖所有主要本地TTS引擎的许可证深度解析。
• XTTS v2评测 —— 对该工具包可运行的声音克隆模型的完整拆解。
• Piper TTS评测 —— 同样深度评测的快速纯CPU本地TTS替代方案。
• ElevenLabs对比Piper对比XTTS v2 —— 面向正在决定是否自托管的读者的云端与本地对比。
• Bark TTS评测 —— 同样深度评测的富表现力、非语音本地TTS模型。