本地TTS与声音克隆许可证2026：哪些引擎允许商业使用（Piper、XTTS v2、F5-TTS、Coqui）

快速概览

• 最快的本地TTS： Piper — 在Raspberry Pi 5上实时运行，在现代桌面CPU上约为实时速度的10倍。
• 最佳声音克隆质量： XTTS v2 — 6秒参考音频，支持17种语言的跨语言克隆。
• 最快的零样本声音克隆（新架构）： F5-TTS — 约3秒音频，流匹配，在RTX 4070上约为实时速度的3〜5倍。
• 最灵活的开源工具包： Coqui TTS — 支持VITS、Tacotron2、XTTS后端，20+语言模型。
• 唯一的生成式音频（非语音声音）： Bark — 笑声、叹气、音乐、环境声。所有引擎中最慢。
• 最佳英语朗读质量： StyleTTS 2 — 基于扩散的风格转移，在LJSpeech基准测试中接近人类MOS。
• 可免费商用： Piper、Bark、StyleTTS 2（MIT）；Kokoro、Tortoise（Apache 2.0）；Coqui TTS工具包（MPL 2.0，有条件）。非商用： XTTS v2（CPML）、F5-TTS（CC-BY-NC-4.0）。
• XTTS v2的声音与语言： 无固定声音列表 — 你提供一段6秒参考音频，它便克隆该声音。模型附带内置说话人预设，并能生成17种语言：en、es、fr、de、it、pt、pl、tr、ru、nl、cs、ar、zh-cn、ja、hu、ko、hi。
• XTTS v2 VRAM： 模型权重约2 GB；运行最低4 GB，实时推理推荐4–6 GB。
• 在CI/Docker中接受CPML： export COQUI_TOS_AGREED=1 — 无需交互式提示。
• VRAM要求： Piper：仅CPU。Kokoro：CPU / 1〜2 GB。StyleTTS 2：2〜4 GB。Coqui VITS：2〜4 GB。F5-TTS：3〜5 GB。XTTS v2：4〜6 GB。Bark：4〜8 GB。Tortoise：4〜8 GB。

为什么本地TTS很重要

• 隐私： 您的文本内容永远不会离开您的设备。对医疗口述、法律摘要、私人日记朗读或机密文件读取至关重要。
• 成本： 云端TTS定价通常为每百万字符4〜30美元。每月生成1000万字符的开发者通过一次性本地部署每月可节省40〜300美元。
• 延迟： 无网络往返。Piper在CPU上50ms内生成第一个音频令牌 — 比任何云端TTS往返都快。
• 自定义： 声音克隆（XTTS v2、F5-TTS、Coqui）允许您从几秒钟的音频创建自定义声音。云提供商每个克隆声音收取10美元以上/月。
• 离线操作： 在飞机上、安全设施中、没有互联网的偏远地区均可工作。适用于信息亭和设备的嵌入式语音界面。
• 智能家居： Piper是常驻本地语音界面的主流TTS层，在Raspberry Pi上实时运行，无需GPU。要了解集成到Home Assistant的完整离线语音助手，请参阅智能家居本地语音助手 →。

对比表

首次音频延迟比较

Piper TTS — 最快的轻量级选项

• 架构： 带有ONNX推理的VITS神经TTS。专为单板计算机和嵌入式Linux设计。
• 安装： pip install piper-tts。预训练语音包可在Hugging Face的Piper voices存储库获取。
• 使用： echo "你好，世界" | piper --model zh_CN-huayan-medium.onnx --output_file output.wav
• 语音包： 20+种语言，每种语言多个语音选项。每个语音包是20〜200 MB的ONNX模型文件。
• 速度： 在现代桌面CPU上约为实时速度的10倍。在Raspberry Pi 5上实时运行。首次音频延迟低于50ms。
• Apple Silicon： 在M5 Pro（CPU，ARM NEON）上约为实时速度的15倍。无需GPU原生运行 — 在Mac上性能出色。
• 收听示例： Piper语音示例
• 最适合： 家庭助手、信息亭设备、嵌入式语音界面、无GPU可用时注重隐私的朗读场景。
• 限制： 无声音克隆。质量"良好" — 听起来自然，但与XTTS v2或StyleTTS 2相比明显是合成音。
• 许可证： MIT — 完全商业化，无限制。
• Kokoro TTS — Piper的替代品： Kokoro TTS是轻量级类别中Piper的新兴替代品。它在CPU上保持快速的同时实现比Piper更高的自然度。采用Apache 2.0许可证。如果Piper的质量不能满足您的需求，但您无法负担GPU VRAM，Kokoro值得测试。

Coqui TTS — 最佳开源全能工具包

• 安装： pip install TTS。模型在首次使用时自动下载。
• 声音克隆： 提供6秒以上的参考音频。tts --text "你好" --model_name tts_models/zh-CN/baker/tacotron2-DDC-GST --speaker_wav sample.wav --out_path output.wav
• 后端选项： VITS（最快，质量良好）、Tacotron2（较旧，较慢）、XTTS（最佳质量，参见XTTS v2部分）。
• 语言： 通过tts --list_models可获取20+语言模型。
• VRAM： VITS后端2〜4 GB；XTTS后端4〜6 GB。
• Apple Silicon： 在M5 Pro（CPU）上约为实时速度的8倍。无Metal GPU加速。可用于批量生成。
• 社区状态： Coqui公司于2024年1月关闭。开源仓库（coqui-ai/TTS）由社区维护。无活跃商业支持。
• 许可证： MPL 2.0 — 允许商业使用，但必须披露修改的源代码。
• 最适合： 希望使用开源工具包和宽松许可证进行声音克隆的开发者。

XTTS v2 — 最佳声音克隆质量

• 架构： 带有说话人条件的GPT TTS。用于韵律建模的视觉变换器。
• 声音克隆： 6秒参考音频即可产生令人信服的声音克隆。3秒可产生可接受的质量。
• 跨语言克隆： 用一种语言克隆声音，用相同的声音特征生成17种不同语言的语音。
• 语言（17种）： 英语、西班牙语、法语、德语、意大利语、葡萄牙语、波兰语、土耳其语、俄语、荷兰语、捷克语、阿拉伯语、中文（zh-cn）、日语、匈牙利语、韩语和印地语。韩语和印地语在XTTS v2.0.3中加入。
• 「XTTS v2的声音」： 没有固定的命名声音目录。XTTS v2是克隆模型 — 你提供一段6秒参考音频，它便复现该说话人。仓库附带少量内置说话人预设供快速测试，但预期的工作流是提供你自己的speaker_wav。
• VRAM： 模型权重约2 GB。实际最低4 GB VRAM；实时推理推荐4〜6 GB。可在CPU上运行但约慢5〜10倍。
• 速度： 慢 — 在RTX 4070上约以实时速度的2倍生成。不适合实时语音助手管道。
• Apple Silicon： 在M5 Pro（CPU，无Metal加速）上约为实时速度的3倍。可用于批量音频生成，不适合实时语音助手输出。
• 收听示例： Hugging Face上的XTTS v2演示
• 许可证： CPML（Coqui Public Model License） — 非商用。CPML允许对模型及其音频输出进行个人、研究和爱好用途，但未经单独的商业协议禁止商业使用（任何付费产品、SaaS、广告支持内容或客户工作）。Coqui Inc于2024年1月关闭，因此目前没有任何实体出售XTTS v2商业许可证 — 实际上请将XTTS v2视为仅限非商用。COQUI_TOS_AGREED环境变量参见CPML非交互式接受章节。

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — 超越语音的生成式音频

• 独特功能： 在文本中加入`[laughs]、[sighs]、[clears throat]、[music]或[sound effect: wind]`，Bark会在语音旁边生成这些声音。
• 不像传统TTS那样可控： 相同输入的输出在不同运行之间会有变化。质量不一致 — 有些输出出色，有些有噪音或难以理解的片段。
• 速度： 慢 — 即使在RTX 4090上也比实时速度慢2〜4倍。不适合交互式应用程序。
• Apple Silicon： 在M5 Pro（CPU，MPS部分）上约为实时速度的1.5倍。MPS（Metal Performance Shaders）支持不完整 — 大多数推理仍回退到CPU。
• 最适合： 创意音频、带音效的播客制作、互动小说、实验性语音应用程序。
• VRAM： 4〜8 GB GPU。在CPU上运行质量明显较低。
• 安装： pip install suno-bark。模型在首次运行时下载（约2 GB）。
• 许可证： MIT — 完全商业化。
• 限制： 无可靠的声音克隆。Bark附带的"语音预设"是近似的 — 不是真正的声音克隆系统。

StyleTTS 2 — 最高自然质量

• 架构： 基于扩散的风格迁移。从学习到的说话风格分布中采样，而不是将文本确定性地映射到音频。
• 质量： 在LJSpeech基准测试中，所有开源英语TTS引擎中MOS分数最高。
• 最适合： 有声书朗读、专业配音、播客制作。
• 安装： 克隆GitHub仓库，安装要求（pip install -r requirements.txt），下载模型检查点（约500 MB）。
• 语言支持： 主要是英语。不建议用于非英语场景。
• 声音克隆： 不支持。StyleTTS 2只使用训练的说话人声音生成。
• VRAM： 2〜4 GB GPU。在RTX 4070上约为实时速度的5〜8倍，比XTTS v2更快。
• Apple Silicon： 在M5 Pro（CPU）上约为实时速度的6倍。无Metal加速。
• 许可证： MIT — 完全商业化。

F5-TTS — 零样本声音克隆，完全开放

• 架构： 流匹配（扩散变体方法），而非XTTS v2使用的GPT架构。通常以更快的推理速度实现具有竞争力的质量。
• 声音克隆： 约3秒参考音频即可。不需要微调。
• 质量： 在英语上与XTTS v2具有竞争力。社区评估中MOS分数约4.1。
• 速度： 在RTX 4070上约为实时速度的3〜5倍 — 比XTTS v2更快。
• 语言： 对英语和中文有强力支持，对其他语言的支持正在扩展。
• Apple Silicon： 在M5 Pro（CPU）上约为实时速度的2倍。目前无Metal加速。
• VRAM： 建议3〜5 GB GPU。
• 安装： pip install f5-tts或从GitHub克隆。
• 许可证： CC-BY-NC-4.0 — 仅非商业使用。商业使用需要单独协议。

许可证与商业使用 — 我能商用这款TTS引擎吗？

非交互式接受CPML（COQUI_TOS_AGREED）

• Shell / CI： 运行脚本前执行export COQUI_TOS_AGREED=1。
• Docker： 在Dockerfile中加入ENV COQUI_TOS_AGREED=1，或向docker run传入-e COQUI_TOS_AGREED=1。
• Python（在模型加载前设置）： `import os; os.environ["COQUI_TOS_AGREED"] = "1" — 必须在TTS(...)`实例化XTTS模型之前运行。
• 它的作用： 记录对CPML的非交互式接受，使模型加载不会卡在y/n提示上。它不是商业许可证，也不会移除非商用限制。

# 1) Shell / CI — accept the CPML once for the session
export COQUI_TOS_AGREED=1

# 2) Dockerfile — bake acceptance into the image
# ENV COQUI_TOS_AGREED=1

# 3) Python — set it before the model is created
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # must be set BEFORE the TTS() call below

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Model now loads without the interactive license prompt

本地TTS与ElevenLabs和云端TTS的比较

• 质量上限： ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper。
• 延迟： 本地Piper（首次音频30〜50 ms）比任何ElevenLabs API往返（300〜500 ms）都快。
• 成本： ElevenLabs按套餐收费5〜99美元/月。本地TTS在一次性硬件后成本为0美元。
• 声音克隆： ElevenLabs Instant Voice Clone ≈ XTTS v2质量。ElevenLabs Professional Voice Clone超过任何本地引擎。
• 隐私： 本地TTS = 音频数据不发送到任何地方。ElevenLabs = 音频在其服务器上处理。
• 离线能力： 本地 = 完全离线。ElevenLabs = 需要互联网。
• 何时使用云端： 专业配音制作、需要最高质量的面向客户产品。
• 何时使用本地： 隐私敏感音频、嵌入式设备、成本敏感的批量处理、离线环境。

如何选择

• 需要声音克隆？ → XTTS v2（最佳质量，CPML）或F5-TTS（新架构，更快，CC-BY-NC-4.0）或Coqui VITS（良好质量，MPL 2.0）。不需要克隆：Piper（速度）或StyleTTS 2（质量）。
• 需要仅CPU / Raspberry Pi？ → 仅Piper。Kokoro是更高质量的CPU替代品（Apache 2.0）。所有其他引擎都需要GPU。
• 需要带有非语音声音的创意音频？ → Bark。没有其他本地引擎能原生产生笑声、叹息或音乐。
• 需要最佳英语朗读质量？ → StyleTTS 2。
• 需要多语言支持？ → XTTS v2（17种语言），Coqui（20+），Piper（20+语音包）。
• 需要完全商业化的MIT许可证？ → Piper、Bark或StyleTTS 2。
• 构建语音助手管道？ → 使用Piper实现低延迟TTS输出。

常见问题

参考资源

• Piper TTS on GitHub — 源代码、语音包、ONNX模型下载和Raspberry Pi设置指南。
• Coqui TTS on GitHub — 源代码、模型列表、声音克隆文档和Python API参考。
• XTTS v2文档 — XTTS v2模型卡、许可证（CPML）和声音克隆API。
• F5-TTS on GitHub — 流匹配TTS、零样本声音克隆、安装指南和多语言支持。
• Tortoise TTS on GitHub — 高质量多声音TTS与声音克隆，Apache 2.0许可证。非常慢但对商用友好。
• Hugging Face上的XTTS-v2 LICENSE.txt（CPML） — 管辖XTTS v2的Coqui Public Model License全文。

繁體中文TTS指南：台灣與香港的本地語音合成選擇

• XTTS v2繁體中文設定： 語言代碼使用zh-cn（XTTS v2目前不區分繁簡，但輸入繁體字可正確發音）。建議在提示詞中加入「請使用台灣國語腔調」以獲得更接近台灣口音的輸出。
• Coqui TTS中文模型： Coqui提供tts_models/zh-CN/baker/tacotron2-DDC作為基礎中文TTS。Baker語料庫以女聲普通話為主，品質穩定但音色單一。適合需要穩定輸出的商業用途。
• 聲音克隆（Voice Cloning）注意事項： 台灣和香港均受個人資料保護法規管轄（台灣個資法、香港《個人資料（私隱）條例》）。使用他人聲音進行克隆需取得明確同意。用於教育、無障礙服務的自身聲音克隆不受此限制。
• 台語（Taiwanese）TTS現況： 目前無成熟的本地台語TTS方案。國立臺灣大學的TWNTTS研究項目持續進行中，但尚未有可直接部署的版本。普通話TTS是目前唯一實用選項。
• 硬體建議（台灣市場）： MacBook M系列（M1/M2/M3/M4）是台灣開發者主流。XTTS v2在M2 Pro 16GB RAM上可實時執行，無需GPU外接卡。NVIDIA GPU用戶（RTX 3060以上）可使用CUDA加速版本。

相关阅读

• 2026年构建完全离线语音助手 — 将Piper或Coqui TTS用作完整Whisper + LLM + TTS管道的输出层。
• 本地语音识别2026：Whisper.cpp vs faster-whisper — 语音管道的输入侧。
• 本地多模态AI管道2026 — 将TTS集成为完整多模态栈的语音输出层。
• 本地LLM最佳入门GPU — 运行XTTS v2、F5-TTS、Bark或StyleTTS 2的GPU选择指南。
• 内容创作者最佳AI文本转语音 — Piper vs Coqui XTTS vs ElevenLabs Local：语音质量与延迟对比。