2026 秋 · 发自宁静基地
走进月球工作室 ↗
terryl.in月球基地日志 — 一个人在月球工作室的开发笔记
游戏开发

免费 AI 配音,可商用:Kokoro、Chatterbox 开源文字转语音

Kokoro TTS 和 Chatterbox 是免费可商用的开源 AI 文字转语音模型,笔记本不用显卡就能跑。实测为游戏角色配中英文台词,并体验声音克隆。

月球基地的酒吧里,笔记本电脑飘出橙色声波,流向正在擦杯子的机器人酒保,戴耳机的宇航员坐在吧台椅上竖起大拇指
月球基地的酒吧里,笔记本电脑飘出橙色声波,流向正在擦杯子的机器人酒保,戴耳机的宇航员坐在吧台椅上竖起大拇指

这个网站的首页是一座月球基地。打开 terryl.in,就会进入一个用 Three.js 做的 3D 小游戏。你可以操控宇航员在基地里走动、穿上宇航服,穿过气闸走到月面,或者到酒吧点一杯特调鸡尾酒。博客“月球基地日志”记录的就是这座基地从无到有的开发过程。

基地的酒吧里有一位机器人酒保,叫亚瑟。这个角色是向电影《太空旅客》(Passengers,2016)里的仿生人酒保亚瑟致敬。他一样温和、非常有礼貌,说话时面无表情。几句台词也改写自电影,看过的人应该能认出来。你问他为什么一直擦杯子,他会说:“如果我不擦杯子,我就非得找话聊不可。”可惜到目前为止,这些台词都只是对话框里的字。

上一篇用 Stable Audio 3 Small SFX 为月球基地做了音效,这篇换成配音。以前要给游戏角色配音,得找配音演员,或者使用 ElevenLabs 这类按字数计费的云端 AI 文字转语音服务。现在有几个开源、免费、可以商用的 TTS(文字转语音)模型,下载到自己的电脑就能用,不用按次付费,也可以当作 ElevenLabs 的免费替代方案。

这篇会比较目前最值得用的几个开源 TTS 模型。我在一台没有独立显卡的笔记本上安装了 Kokoro TTS 和 Chatterbox TTS,实际为亚瑟配了中文和英文台词,也试了免费的 AI 声音克隆,让角色在每句台词里都保持同样的音色。

开源 TTS 模型推荐:可商用的 AI 文字转语音对比

先看结论。下面是我核查过许可证、确认可以商用的几个模型:

模型

参数量

授权

声音克隆

中文

硬件

Kokoro-82M

8,200 万

Apache 2.0

不行,用内置 54 种声音

有,但比较弱

CPU 就能跑

Chatterbox-Nano

1.1 亿

MIT

可以

只有英文

CPU 就能跑

Chatterbox-Turbo

3.5 亿

MIT

可以

只有英文

CPU 可以,比较慢

Chatterbox(原版、多语言 V3、中文版)

5 亿

MIT

可以

多语言 V3 和中文微调版有

CPU 可以,很慢

Step Audio EditX

约 30 亿

Apache 2.0

可以

强

需要 NVIDIA 显卡

Qwen3-TTS(0.6B、1.7B)

6 亿、17 亿

Apache 2.0

可以,3 秒参考音频

强,有北京话、四川话声音

0.6B 用 CPU 能跑,克隆很慢

简单来说:

  • 要快、要轻、笔记本就能用:Kokoro。
  • 要克隆声音、让角色的声音保持一致:Chatterbox。英文用 Nano,中文用中文微调版或多语言 V3。
  • 以中文为主、有 NVIDIA 显卡:Qwen3-TTS,可以用一句话描述来“设计”声音,也能用语气指令控制情绪。
  • 有高端显卡、追求最好的音质和情绪:Step Audio EditX。

Step Audio EditX 需要 NVIDIA 显卡,我的笔记本没有,所以这篇没有实测;Qwen3-TTS 我试了最小的 0.6B,用 CPU 也跑得动,结果放在下面。

这篇先做总览,之后会针对每个模型各写一篇专门介绍,包括 Kokoro、Chatterbox、Qwen3-TTS、Step Audio EditX,还有 VoiceStudio。

在由真人盲听打分的排行榜(比如 Speech Arena)上,排在最前面的依然是 ElevenLabs 这类闭源服务,开源模型还没挤进前十。但做游戏不一定需要最顶级的音质。像 NPC 台词、教学用的 AI 旁白,或者开发阶段的临时配音,用开源模型就足够了。

中文配音的另一个选择:Qwen3-TTS

Qwen3-TTS 是阿里巴巴通义千问团队在 2026 年 1 月开源的 TTS 系列,授权是 Apache 2.0,可以商用。它有 0.6B 和 1.7B 两种规模,各自分成几个用途不同的版本:

  • Base:声音克隆,只要 3 秒的参考音频。
  • CustomVoice:9 种内置声音,其中有北京话和四川话口音的男声;1.7B 版还能用指令控制语气,比如“用特别愤怒的语气说”。
  • VoiceDesign(1.7B):用一段文字描述来设计声音,比如“17 岁的男生、男高音、说话越来越有自信”。

支持中、英、日、韩、德、法、俄、葡、西、意 10 种语言。官方评测称它在中文的发音准确度和声音相似度上胜过 ElevenLabs,不过这是官方自己的测试。

用在游戏配音时,最实用的做法是先设计声音、再克隆。先用文字向 VoiceDesign 描述角色的声音,生成一句台词作为参考,之后的台词都用 Base 克隆,就能保持一致的音色。这和我在这篇里用 Kokoro 搭配 Chatterbox 的做法很接近。

安装命令是 pip install -U qwen-tts。官方的示例都是在 NVIDIA 显卡上用 bfloat16 和 FlashAttention 2 跑的,没有写需要多少显存,也没有提到能不能只用 CPU。

我在同一台笔记本上用 CPU 试了 0.6B:

  • 内置声音(CustomVoice):生成一句长约 6 秒的台词,大约需要 31 秒。
  • 声音克隆(Base):一句约 4~5 秒的台词要 4 分钟以上,比 Chatterbox 中文微调版慢三倍。

实测时有个发现:台词用繁体字输入,它会把多音字念错。比如“行业”的“行”应该念 háng,用繁体字输入时它念错了;同一句改用简体字输入,就念对了。我推测这是因为它的中文训练数据以简体为主。所以简体中文的读者直接输入简体台词就可以,不需要额外处理;下面“用中文实测”里的 Qwen3-TTS 音频,就是用简体台词直接生成的。

没有显卡时,用 Qwen3-TTS 的内置声音比较合适;要用声音克隆制作大量台词,还是得有 NVIDIA 显卡。

看起来开源,其实不能商用的

挑模型时最容易踩的坑是授权。有些模型权重公开在 Hugging Face 上,但不代表可以拿来赚钱:

  • Coqui XTTS v2:多语言、可以克隆声音,以前很火,但授权是 Coqui Public Model License,只能非商业使用。
  • Fish Audio S2 Pro:权重公开,但商用要另外向 Fish Audio 购买授权。
  • 一些研究型模型:采用 CC BY-NC 授权(NC 表示仅限非商业用途)。

下载前一定要看模型页面的 License 字段,再点进去读全文。

Kokoro TTS 是什么?中文能用吗?可以商用吗?

Kokoro-82M 是一个只有 8,200 万参数的 TTS 模型,2025 年 1 月发布 1.0 版。它小到用 CPU 就能跑,音质却在同级的小模型里数一数二,所以很多商用 API 和项目都在用它。

  • 授权:Apache 2.0,可以商用,也可以打包进自己的产品。
  • 训练数据:官方写明,只使用公共领域的录音、采用 Apache 或 MIT 授权的录音,以及大厂闭源 TTS 的合成语音,没有使用克隆他人声音得到的语音。
  • 声音:54 种内置声音,8 种语言:英文(美式、英式)、日文、中文、西班牙文、法文、印地文、意大利文和巴西葡萄牙文。
  • 限制:不能克隆声音,只能从内置声音里挑。中文声音有 8 种,官方自己的评分都是 D,因为中文训练数据只有几个小时。

不过,我实际试了三个中文男声,用来给游戏 NPC 配音都够用。最后选了沉稳的 zm_yunjian 作为亚瑟的中文声音。

需要注意的是:官方提醒,域名里带“kokoro”的网站都和这个模型无关,不要在那些网站付费或下载。

Chatterbox TTS 是什么?支持中文吗?可以商用吗?

Chatterbox 是语音公司 Resemble AI 开源的 TTS 系列,最大的特色是声音克隆:给它一段 5~10 秒的人声,它就用那个音色念出新的台词。原版还可以调整情绪的夸张程度,Turbo 版可以在台词里加入 [laugh]、[chuckle]、[cough] 这类笑声或咳嗽的标签。

  • 授权:MIT,可以商用。
  • 水印:每段生成的音频都嵌入了 Resemble 的 Perth 水印。虽然听不出来,但转成 mp3 或剪辑后,水印依然会保留,检测工具可以据此识别这段音频是否由 AI 生成。
  • 已经停止维护:Resemble AI 在 2026 年 8 月宣布 Chatterbox 是“已结束的研究项目”,之后不再更新,公司转做深度伪造检测。代码和权重以 MIT 授权保留,所以依然可以下载、可以商用,只是不会有新版本和支持。

最后一点反而说明了开源模型的好处:权重下载到自己的电脑,就不怕服务停掉。 云端配音服务如果涨价或关闭,游戏里的配音就没法再改;开源模型存在硬盘里,十年后还能用同一个声音补台词。

Chatterbox 有好几个版本,一开始很容易搞混:

版本

参数量

语言

特色

Chatterbox(原版)

5 亿

英文

可以调情绪强度(exaggeration)

Multilingual V3

5 亿

23 种,含中、日、韩

一个模型支持多种语言

中文微调版(zh-cmn)

5 亿

中文

专门针对中文调整

Turbo

3.5 亿

英文

比较快,支持笑声、咳嗽标签,必须提供参考音频

Nano

1.1 亿

英文

最小最快,官方称 8 核 CPU 能跑到实时速度的 3 倍

电脑配置:没有显卡能跑吗?

我的笔记本是 Intel Core Ultra 5(6 核),只有核显,等于只能用 CPU 跑。下表列出实测的台词生成时间,每句台词长约 4~6 秒,计时包含每次加载模型的时间:

模型

一句台词要多久

Kokoro(英文)

约 9 秒

Kokoro(中文)

约 13 秒

Chatterbox-Nano(克隆)

约 15~20 秒

Chatterbox-Turbo(克隆)

约 40 秒

Chatterbox 原版

约 60 秒

Chatterbox 中文微调版(克隆)

约 80 秒

Qwen3-TTS 0.6B(内置声音)

约 31 秒

Qwen3-TTS 0.6B(克隆)

约 4 分钟

Kokoro 和 Chatterbox Nano 在笔记本上很实用,改一句台词、听一遍,等十几秒就好。Chatterbox 的 5 亿参数版本用 CPU 跑一句要一两分钟,适合一次排好整批台词,让它在后台慢慢跑。有 NVIDIA 显卡的话会快很多。

硬盘空间方面,两个工具各自的 Python 环境(含 CPU 版 PyTorch)各占约 1.5 GB。模型文件需要另外下载:Kokoro 的文件很小,Chatterbox 每个版本约占 1~3 GB。

Kokoro TTS 安装教程(CPU 版,含中文)

建议用 uv 建一个独立的 Python 环境,不要装在系统的 Python 里。Kokoro 支持 Python 3.10~3.12:

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro "misaki[zh]" soundfile

misaki[zh] 用来处理中文发音,只需要英文配音时可以不装。英文的发音会用到 espeak-ng,pip 包已经内置,不用另外安装。

生成一句中文:

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="z")  # z 中文、a 美式英文、b 英式英文、j 日文
audio = np.concatenate([np.asarray(r.audio) for r in pipe("酒保是替人保守秘密的。", voice="zm_yunjian")])
sf.write("arthur.wav", audio, 24000)

声音名称的第一个字母是语言,第二个字母是性别:zm_yunjian 是中文男声,bf_emma 是英式英文女声。完整列表在官方的 VOICES.md。第一次运行会自动从 Hugging Face 下载模型。

Chatterbox TTS 安装教程:中文要装 GitHub 版,不要装 PyPI 旧版

这是我踩到的最大一个坑。照很多教程执行 pip install chatterbox-tts,装上的是 PyPI 上的 0.1.7 版,它的多语言模型是旧的 V2。我用它念“酒保是替人保守秘密的。这是这份行业的神圣信用。”这段台词,3 秒多就念完了,后面却多出十几秒的停顿和怪声。

GitHub 上的最新版才有多语言 V3、Nano 和中文微调版,所以要直接从 GitHub 安装:

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

后面的 setuptools<81 也不能省。水印包 Perth 还在用旧的 pkg_resources,但新版 setuptools 已经把它移除了。如果不固定版本,一运行就会报错。

用 Nano 克隆声音:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav 是要克隆的参考音频。中文微调版的文件格式和主程序不太一样,要稍微修改负责加载文件的代码。这种琐碎的事很适合交给 Claude Code 或 Codex。

交给 Claude Code 或 Codex 安装

不想自己处理版本问题的话,在终端里打开 Claude Code 或 Codex,输入:

请帮我在 ~/tools 安装 Kokoro-82M 和 Chatterbox(从 GitHub 安装最新版,要有 Nano 和中文微调版),用 CPU 版 PyTorch,各做一个可以从任何文件夹调用的命令

我就是这样装的。过程中遇到 PyPI 版本太旧、setuptools 兼容性问题,以及中文微调版加载失败,都是 AI 助手自己找出原因并修好的。装在 ~/tools 的好处是每个项目都能共用,不用每个游戏各装一份。

如何克隆声音?免费开源的方法

声音克隆(voice cloning)就是给模型一段某个人的声音,让它用那个音色念出新的台词。用 Chatterbox 克隆声音是免费的,做法很简单:准备一段参考音频,加上要念的台词。参考音频的质量决定了结果:

  • 长度 5~10 秒,短于 5 秒会直接报错。
  • 只有一个人在说话,没有背景音乐和杂音。
  • 语气要符合角色需求:它会连语速和情绪一起学。想让角色说话缓慢、语调平淡,参考音频也要有同样的表现。
  • 最好和台词是同一种语言:用英文参考音频念中文,会带一点英文口音。

声音从哪里来很重要。模型本身可以商用,不代表可以复制任何人的声音:

  • 自己录的:没问题。
  • 配音演员或朋友录的:要取得对方同意才能用在游戏里,最好留下书面记录。
  • 电影、游戏角色、名人的声音:不行,就算只是像,也涉及肖像权和人格权的问题。

我还用了另一种做法:先用 Kokoro 生成一句台词,作为角色的原声。Kokoro 采用 Apache 2.0 授权,生成的声音可以自由使用。这样等于先“设计”出角色的声音,再交给 Chatterbox 念其他台词、加入情绪。

实测:为机器人酒保亚瑟配音

亚瑟的英文声音,我选了 Kokoro 的 bm_george。它的英式口音很稳重,听起来像一位有礼貌的管家型机器人。中文则选了声音沉稳的 zm_yunjian,两者的语速都调慢到 0.95。

电影里的亚瑟由迈克尔·辛(Michael Sheen)饰演,但这里刻意没有模仿他的声音。配音用的是 Kokoro 的内置声音,克隆的也是 Kokoro 生成的声音,这就是前面说的“声音从哪里来很重要”。

下面的音频都直接来自模型,只剪掉了头尾的静音,并统一了音量。

Kokoro:直接用内置声音

Kokoro bm_george:“If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.”
Kokoro bm_george:“A bartender keeps confidence. It's the sacred trust of the craft.”

Chatterbox:用 Kokoro 的声音克隆

参考音频是上面 Kokoro bm_george 的第一句(约 6 秒)。

Chatterbox-Nano 克隆 bm_george:“You can't get so hung up on where you'd rather be that you forget to make the most of where you are.”
Chatterbox-Nano 克隆 bm_george:“A bartender keeps confidence. It's the sacred trust of the craft.”

对照一下 Chatterbox 原版的内置声音,没有克隆,情绪强度调低到 0.3:

Chatterbox 原版内置声音:“If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.”

几个观察:

  • Kokoro 每次结果都一样:同一句台词、同一个声音,生成几次都相同,不用挑版本;想要不同的感觉就换声音或调语速。
  • Chatterbox 每次结果都不一样:同一句台词换个 seed,就会有不同的语气和节奏,所以要多生成几个版本,再从中挑选。
  • 克隆让声音保持一致:参考音频只有一句,克隆出来的每句台词都是同一个角色的音色,不用每次重新挑声音。
  • 克隆的版本念得比较快:同样的台词,Nano 克隆版的长度比 Kokoro 原声短了 10~20%。想让语速慢一点,可以改用语速更慢的录音作为参考音频。

用中文实测

接下来是中文。这两句是月球基地游戏里亚瑟的台词,用三个模型各生成一次:

  • Kokoro:中文男声 zm_yunjian。
  • Chatterbox Multilingual V3:用上面英文的 bm_george 作为参考音频克隆,cfg_weight 设为 0。这是官方针对参考音频和台词语言不同时建议的设置,可以避免带出英文口音。
  • Qwen3-TTS 0.6B:内置声音 Uncle_Fu,台词直接用简体输入。
Kokoro(zm_yunjian):“如果我不擦杯子,我就非得找话聊不可。那样一来,客人都会觉得很尴尬。”
Kokoro(zm_yunjian):“酒保是替人保守秘密的。这是这份行业的神圣信用。”
Chatterbox Multilingual V3(克隆 bm_george):“如果我不擦杯子,我就非得找话聊不可。那样一来,客人都会觉得很尴尬。”
Chatterbox Multilingual V3(克隆 bm_george):“酒保是替人保守秘密的。这是这份行业的神圣信用。”
Qwen3-TTS 0.6B(Uncle_Fu):“如果我不擦杯子,我就非得找话聊不可。那样一来,客人都会觉得很尴尬。”
Qwen3-TTS 0.6B(Uncle_Fu):“酒保是替人保守秘密的。这是这份行业的神圣信用。”

实测记录:

  • 用语音识别核对:每段音频都用 Whisper(语音识别)转回文字,和原本的台词比对,这六段都没有发现念错的内容。
  • 速度:模型只加载一次、连续生成时,Chatterbox Multilingual V3 一句约 30 秒,Qwen3-TTS 0.6B 一句约 20~30 秒,Kokoro 只要几秒(同一台只有 CPU 的笔记本)。前面的表格包含每次加载模型的时间,批量生成时这组数字更接近实际情况。

AI 配音提示词怎么写?交给 Claude Code 或 Codex

TTS 要输入的是台词本身,不像生成音效时,要用提示词描述想要的声音。至于选声音、克隆和检查结果,都有一套固定流程,很适合写进 AI 编程助手的全局设置。Claude Code 的配置文件是 ~/.claude/CLAUDE.md,Codex 的则是 ~/.codex/AGENTS.md。之后只要说“帮亚瑟配这三句台词”,它就会按这套规则来做:

## 用本地 TTS 为游戏角色配音

我要配音时,用本地的 Kokoro 和 Chatterbox,按这套规则:

- 每个角色固定一个声音。新角色先用 Kokoro 挑内置声音,生成一句 5~10 秒的台词存为参考音频,之后都用它克隆。
- 不需要情绪或笑声的台词直接用 Kokoro;需要情绪、笑声([laugh]、[chuckle])或要和参考音频一致时,用 Chatterbox 克隆:英文用 Nano 或 Turbo,中文用中文微调版。
- 用 Qwen3-TTS 念中文时,台词用简体输入(繁体会把“行业”这类多音字念错)。
- 一句台词一个文件,文件名用“角色-语言-编号”。
- Chatterbox 每句用 3 个不同的 seed 各生成一次,列出文件名和台词让我挑。
- 生成后检查时长:音频明显比台词应有的长度长,就是多念了,换 seed 重来。
- 不克隆真人的声音,除非我说明已取得本人同意。
- 要放进网页或游戏时,剪掉开头结尾的静音、加短淡出、统一响度,转成 mp3。

让台词多一点表情:Turbo 的笑声标签

Chatterbox-Turbo 可以直接在台词里加标签,比如 [chuckle] 轻笑、[laugh] 大笑、[cough] 咳嗽:

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo 克隆 bm_george,台词中间加了 [chuckle]

开源 TTS 的局限

实际用过一轮后,我觉得有几点需要先提醒:

  • 没有显卡就要有耐心:Kokoro 和 Chatterbox Nano 很快,其他 Chatterbox 版本用 CPU 跑一句要一两分钟。
  • 中文还是比英文弱:Kokoro 和 Chatterbox 的中文训练数据都比英文少很多,偶尔会有念错的字,要多听几遍再用。Qwen3-TTS 用繁体输入会把多音字念错,用简体输入就没问题。
  • 要选对版本:Chatterbox 的 PyPI 版本太旧,而且 Chatterbox 已经停止维护,有些问题不会再有人修。
  • 情绪要靠参考音频和参数:模型不懂剧情,不会自己知道这句台词是开玩笑还是在生气。想让台词听起来激动,就要准备语气激动的参考音频,或者调高情绪强度。
  • 成品还是要检查:多读内容、漏字、开头有杂音都可能发生。和检查音效一样,可以让 Claude Code 或 Codex 另外派一个子代理(subagent)负责独立检查。先用语音识别把音频转回文字,再和原本的台词比对,有出入就重新生成。

对独立开发者最大的好处:开发初期就能加入配音

和上一篇介绍的音效工具一样,我觉得开源 TTS 最大的价值是让游戏在开发初期就能有配音。

开发初期,剧本经常修改。请配音演员录完后再改台词,就得重录。用本地 TTS,改一句台词、重跑一次,十几秒就好,不用额外付费。等剧本定稿,再决定要不要请真人重录。

到那时候,台词长度、对话框停留时间,以及角色口型或动作持续的时间,都已经按照配音调整好了。换成真人录音时,只要替换同名音频文件。

另一个好处是能支持多种语言。月球基地的网站有 15 种语言,请配音演员录 15 种语言不太现实,但 Kokoro 支持 8 种语言,Chatterbox 多语言 V3 支持 23 种,至少主要的几种语言都能先有配音。

常见问题

Kokoro TTS 的中文好用吗?

可以用,但比英文弱。Kokoro 有 8 个中文声音(4 男 4 女),官方给的评分都是 D,因为中文训练数据只有几个小时。简体中文的台词直接输入即可,这篇“用中文实测”里的 Kokoro 音频就是用简体台词生成的;遇到念错的字,可以换成同音字。

Chatterbox TTS 支持中文吗?

支持。多语言 V3 和中文微调版都能念中文,也能用中文的参考音频做声音克隆。要注意 PyPI 上的旧版会在句尾多念,记得从 GitHub 安装。

用 AI 免费克隆声音,可以商用吗?

Chatterbox 采用 MIT 授权,模型可以商用;但你也必须有权使用被克隆的声音,比如自己的声音、经对方同意使用的声音,或者像这篇一样用 Kokoro 生成的声音。另外每段输出都带有 Perth 水印。

有没有 ElevenLabs 的免费替代?

如果需求是游戏台词、旁白、教学视频配音,Kokoro 和 Chatterbox 都是免费、可以商用、能在自己电脑上跑的开源替代方案。音质和情绪表现还比不上 ElevenLabs,但不用按字数付费,也不怕服务涨价或关闭。

没有显卡可以跑开源 TTS 吗?

可以。Kokoro 和 Chatterbox Nano 用笔记本 CPU 生成一句台词只要十几秒;Chatterbox 的 5 亿参数版本一句要一两分钟,可以让它在后台批量跑。

结语:一台笔记本就能为游戏角色配音

以前觉得配音是做独立游戏时最奢侈的部分:请配音演员很贵,云端 TTS 又按字数计费,台词一多,费用就很可观。Kokoro 和 Chatterbox 把门槛降到“一台笔记本、一句台词、十几秒”,可以商用,模型存在自己的电脑里,不怕服务关停。

下一步要把亚瑟的配音放进游戏,让他在对话框出现时真的开口说话。

这篇先总览开源 TTS,接下来会分别介绍 Kokoro、Chatterbox、Qwen3-TTS、Step Audio EditX 和 VoiceStudio,各写一篇,分享安装方法、参数设置和更多实测。

你的游戏角色都是怎么配音的?欢迎到 Threads 或 X 找我的帖子,直接留言聊聊。