关键要点
- 17款工具,三类任务:语音合成(8款)、语音转文字(7款)、实时语音助手(4款)。Izwi和Willow Inference Server既做语音合成也做语音转文字,因此出现在两张表中。
- 表格由每款工具的记录生成,并对照其官方README或网站核对;短横线表示“文档中未说明”,绝不表示“没有”。
- 许可证的差异很重要:例如Piper和OpenAI Edge TTS采用GPL-3.0,Coqui TTS采用MPL-2.0,XTTS-v2采用Coqui Public Model License,而Bark、StyleTTS 2、whisper.cpp和faster-whisper采用MIT。
- 表中每个工具名称都链接到它自己的PromptQuorum评测,安装步骤和局限都在评测中介绍。
📍 简单一句话
本地语音工具分属三类不同的任务——语音合成、语音转文字和实时语音助手——因此PromptQuorum目录中的17款工具按任务分别对比,所用表格与每款工具自己的评测出自同一份工具数据生成。
💬 简单来说
有的工具把文字朗读出来,有的把你说的话记录下来,还有的与AI进行口语对话。拿朗读工具和转录工具比较“声音克隆”毫无意义,所以本指南只在同类之间做对比。
我们如何对比
每款工具的事实信息——价格、许可证、平台、硬件需求和分类专属属性——只在该工具的目录记录中存储一次。下方的对比表由这些记录生成,而该工具自己的评测也使用同一条记录,因此两者不可能给出不同的数值。
分类专属属性(例如声音克隆或实时转录)取自各项目的官方README或网站,并对照其中的原文措辞核对。若文档没有提及,表格显示短横线而不是猜测;若某项说法带有限定条件(实验性、仅限付费方案,或依赖GPU),则该属性不列入表格,而在该工具的评测中说明。
本对比列出的是可在你自己设备上运行的工具。它不做排名:哪一款合适取决于你的限制条件,下面的各节会指出真正的差异所在。
对比表
先在下方选择一类任务,再沿着一行横向阅读。点击工具名称可打开其完整的PromptQuorum评测。
| 工具 | 价格 | 许可证 | 平台 | 运行方式 | 硬件 | 版本 | 语言 | 声音克隆 | 流式输出 | 仅用CPU可用 | 本地API服务器 | 评测 | 产品链接 · 已披露 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Bark | 免费 | MIT | macOS, Windows, Linux | 本地 | CPU即可 | — | 13 | 否 | — | — | — | 阅读评测 → | Bark |
| Coqui TTS | 免费 | MPL-2.0 | macOS, Windows, Linux | 本地 | CPU即可 | v0.27.5 | — | 是 | 是 | — | 是 | 阅读评测 → | Coqui TTS |
| Izwi | 免费 | MIT | macOS, Windows, Linux | 本地 | 因模型而异 | v0.1.0-beta-17 | — | 是 | — | 是 | 是 | 阅读评测 → | Izwi |
| openai-edge-tts | 免费 | GPL-3.0 | macOS, Windows, Linux | 混合 | CPU即可 | — | — | — | 是 | — | 是 | 阅读评测 → | openai-edge-tts |
| Piper TTS | 免费 | GPL-3.0 | macOS, Windows, Linux | 本地 | CPU即可 | — | — | — | — | — | 是 | 阅读评测 → | Piper TTS |
| StyleTTS 2 | 免费 | MIT | macOS, Windows, Linux | 本地 | CPU即可 | — | — | — | — | — | — | 阅读评测 → | StyleTTS 2 |
| Willow Inference Server | 免费 | Apache-2.0 | Linux, Windows | 本地 | CPU即可 | — | — | 是 | 是 | — | 是 | 阅读评测 → | Willow Inference Server |
| XTTS v2 | 免费 | CPML | macOS, Windows, Linux | 本地 | — | — | 17 | 是 | — | — | — | 阅读评测 → | XTTS v2 |
“—”表示该项目自己的文档未说明,并不代表该功能不存在。数值取自各项目的官方README或网站,并在更新该工具评测时重新核对。
语音合成:差异在哪里
- 许可证。 Bark和StyleTTS 2采用MIT许可证。Coqui TTS采用MPL-2.0。XTTS-v2采用Coqui Public Model License(CPML),这是一份有自身条款的自定义许可证,而非标准的开源许可证——商业使用前请先阅读。Piper和OpenAI Edge TTS采用GPL-3.0,对分发修改后的版本附有条件。在基于其中任何一款构建产品之前,请先核实许可证——参见Piper TTS和XTTS v2。
- 声音克隆。 Coqui TTS(评测)、XTTS-v2(评测)、Izwi(评测)和Willow Inference Server(评测)的文档提到了声音克隆或自定义声音。Bark则说明它不支持自定义声音克隆。
- 本地API服务器。 Coqui TTS、Izwi、OpenAI Edge TTS、Piper和Willow Inference Server的文档提到了服务器组件,因此其他应用可以通过HTTP调用它们;OpenAI Edge TTS就是围绕这一点构建的。
- 语言。 Bark的文档提到13种语言,XTTS-v2的文档提到17种。其他工具没有给出可比的数量,因此表格显示短横线而不是数字。
语音转文字:差异在哪里
- 实时转录。 whisper.cpp的文档提到了实时流式示例,Izwi和Willow Inference Server的文档提到了实时使用。faster-whisper是一个转录库;其自身的README没有提到实时模式。
- 说话人标注。 Izwi和FunClip的文档提到了说话人标注。Meetily仅在其付费Pro方案中提供说话人分离。whisper.cpp的说话人轮换标记属于实验性功能,在其评测中介绍,而不列入表格。
- 价格与平台。 MacWhisper是一款专有的macOS应用,有免费方案和付费升级;这里的其他大多数工具都是免费且开源的。Meetily的社区版免费并采用MIT许可证,另有付费Pro方案。
- 本地API服务器。 whisper.cpp附带一个服务器,Izwi和Willow Inference Server的文档提到了HTTP API。
语音助手:差异在哪里
本对比无法告诉你的事
- 它比较的是文档中记载的能力,而不是质量。它无法说明声音听起来有多自然,也无法说明转录的准确度——这需要你用自己的音频和自己的设备来测试。
- 它不包含速度基准测试:PromptQuorum没有对这些工具进行过此类测量。
- 短横线是项目文档中的空白,不是负面结论。有些工具可能支持某项功能,只是其README没有提及。
- 工具更新很快。每款工具的评测都会注明所核对的版本,本指南会在评测更新时随之刷新。
常见问题
为什么语音合成、语音转文字和语音助手要分开对比?
它们承担不同的任务,因此大多数属性只在某一类任务内才有意义——声音克隆适用于语音合成,说话人标注适用于转录,打断适用于语音助手。把它们放进同一张表,大多数单元格会是空的或没有意义。
对比表中的短横线是什么意思?
表示该项目自己的文档没有说明该属性。这并不表示功能不存在;请查看该工具的评测或其代码仓库。
这些工具真的是本地的吗?
它们的设计目标是在你自己的设备上运行,但有些提供可选的云端功能——例如Parlor的可选云端研究,或Voxa的云端语音提供商——也有些在首次运行时需要联网下载模型。每款工具的评测都会说明这一点。
这些工具中有任何一个带联盟推广链接吗?
没有。截至撰写时,PromptQuorum与本对比中的任何工具都没有联盟推广关系,这里的任何链接都不会带来佣金。
这份对比多久更新一次?
每年刷新两次,并且每当所列工具之一的评测更新时也会刷新,因为表格与这些评测出自同一份数据生成。
资料来源
- 每款工具的官方README或网站,列在该工具的PromptQuorum评测中(可从对比表链接进入)。
- PromptQuorum本地AI应用目录——表格每一行所依据的记录。
- AI工具许可证详解——上文提到的各类许可证的含义。