8 min read

用自己的声音做配音,5款TTS实测后我会怎么选

Source: https://x.com/i/article/2108925887798235136

最近我用自己24秒多的录音,试了 Qwen3、VoxCPM2、Index 2.5、Index 2.0 和小米 MiMo 这几款 TTS 工具。

每款都读同样两篇文案,最后生成了十份完整音频。

最初我觉得 Qwen3 最好,继续测了几轮,反而更喜欢 VoxCPM2 和 Index 2.0。

如果平时要用自己的声音做配音,这两款是我会先试的本地方案。

小米 MiMo 则适合不想折腾本地部署的人。

原声、生成样片和等待时间都放在下面,你可以直接听我这边的生成效果。

参考录音,我换成了自己平时说的话

一开始,我让 AI 写了一份口播稿,准备照着念,录下来给它克隆。

结果念得磕磕碰碰。那份稿子和我平时的说话方式差得有点远,录自己的声音,还得先适应它的表达。

后来我翻了以前用 AI 时留下的语音转文字记录,找到一段自己给 AI 下的指令,拿它重新录。

如果你也不习惯照稿念,可以先找一段自己平时说过的话。

图像

至少我这次,参考录音就是这样准备的。

Qwen3最先让我满意,Index后来改变了我的印象

Qwen3最先让我满意,Index后来改变了我的印象

下载到本地之前,我先找到了 Qwen3 和 VoxCPM2 的在线体验地址。那时听下来,我最喜欢 Qwen3,VoxCPM2 也不差。

Qwen3-TTS 来自阿里云通义千问团队,2026年1月22日开源。

VoxCPM2 则由面壁智能和清华大学人机语音交互实验室团队推出,2026年4月发布。

两款都能先在线试,再决定要不要部署到自己的电脑上。

后来又看到不少人推荐 B站团队的 IndexTTS。

我当时没找到能用自己录音试听的入口,就把它也加入了本地部署。

Index 一开始就看到有 2 个版本,我最开始直接选的是 2.5。

2.0 是2025年9月8日发布,2.5 是2026年8月10日发布。

我自然先选了更新的版本,也期待它克隆得更好。

但生成出来,我却觉得它听起来好像没克隆出我的声音。

后来在 Index 2.5 的仓库里,我看到有人评价,2.0 的效果比 2.5 好很多。

这和我先选新版本的想法正好相反,我就装上了 Index 2.0,让它读同样两篇文案。

继续听了几轮,VoxCPM2 和 Index 2.0 成了我更喜欢的两个结果。

本地方案跑通后,群里又有大佬推荐小米 TTS。

我也接了进来,用同一份参考录音和两篇文案生成音频,一起试听。

下面五款读的是同一段话,可以和前面的原声对着听。

给我感觉最好的是 VoxCPM2 和 Index 2.0,这两个都比我在录制稿子时那和尚念经的般的状态要好很多了。

而 Qwen3 其实算也能用的状态,最后才到MiMo V2.5,但这里我是直接让 AI 来调用它的 API,AI调用时分成多段音频来生成最后才拼接在一起,在视频里也可以明显听到在 MiMo 里是有多段不同有区别的音色。

上面这 5 个效果,都是我用同一段音频去克隆的。

在实际情况下想要追求更好的效果,可以在录制时调整自己的声音状态或者调整自己的录制时的稿件内容。

三款本地工具,界面上能做什么

在上面的视频里我们可以听到克隆的声音像不像。

但如果你想让 TTS 换一种语气读稿,就得看各自的控制方式。

Qwen3 这次用的是 Base 克隆模型。

上传参考录音,填好对应文字,再输入目标文案,就能生成。

界面还提供保存、加载克隆音色的入口,方便后面复用。

但没有更多可调整的空间。

图像

VoxCPM2 的可控克隆可以加声音描述。

上传录音后,在 Control Instruction 里写语气、情绪、语速等要求,比如像和朋友聊天,语速稍慢,语气轻松。

不上传录音,也可以用描述设计一个新声音。

它还有极致克隆模式,需要参考录音和对应文字,让模型接着这段声音往下说。

极致克隆和声音描述控制不能同时用。

这轮对比用的是录音加文字,没有额外添加声音描述。

图像

Index 可以保留自己的音色参考,再选择情感怎么控制。

沿用音色参考时,会参考这段录音里的情绪。

选择情感参考,可以另外上传一段音频,让它借鉴那段表达。选择情感向量控制,则可以用滑块调整喜、怒、哀、惧等分量,再调情感权重。

如果想让自己的声音读得更兴奋一些,就可以保留音色参考,换情感参考或调向量。

下面展示的是 2.5 的界面, 但实际 2.5 和 2.0 的界面里都是有这些控制功能的。

图像

小米不用本地跑模型,通过API生成

图像

小米的 MiMo 直接通过 API 即可调用,它提供了预置音色、文字设计音色和录音克隆三个入口,分别对应 TTS、VoiceDesign 和 VoiceClone。

想复刻自己的声音,选 VoiceClone。

它也支持用文字控制表达,比如自然口播、语速适中、句间稍作停顿,需要在提示词里加入情绪和停顿标签。

但这轮没有逐项测试。

前面本地几款在我的显卡上生成,但对比小米直接可以用云端服务来生成,显然小米是有自己的优势的。

生成一分钟多的配音,要等多久

我的电脑是 RTX 4070 Ti SUPER,16GB显存。

四款本地配置都跑通了,测试时每次只运行一个。

下面记录了五款 TTS 读完这两篇文案各用了多久。

每款都读同样的两篇内容,生成的完整音频约67到81秒。

图像

Qwen3 这次要等四分多钟,VoxCPM2 约两分半。

Index 2.0 两分多钟,2.5 一分多钟。

平时文案经常要改,重新生成的等待也得算进去。

小米这次按段调用 API,先逐段生成,最后再拼成完整音频,图里记的是各段调用累加的耗时。

第一篇分了四段,合计37秒。第二篇分了七段,合计124秒。

其中第二篇最后一段就等了约86秒。

调用次数和单次等待都会影响整篇耗时,37秒那篇还不能代表每次都这么快。

本地耗时不含首次加载模型,小米耗时包含上传、网络和服务端等待。

这轮没有开启额外加速组件,图里的数字对应这次实际使用的配置。

日常配音,我会先试这几个

如果经常需要克隆自己的声音,给视频做配音、读口播稿,我会建议先试 VoxCPM2 和 Index 2.0。

它们是我这轮更喜欢的两个结果。拿自己的录音和同一段文案各生成一次,听听哪个更适合你。

如果只是偶尔用一下,想省事、不想做本地部署,或者电脑配置不太够,可以试 小米 MiMo 的 VoiceClone。

它在云端生成,不占用自己的显卡,只需要完成 API 接入即可使用。