2026 秋 · 發自寧靜基地
走進月球工作室 ↗
terryl.in月球基地日誌 — 一個人在月球工作室的開發筆記
遊戲開發

免費 AI 配音可商用:Kokoro、Chatterbox 開源 TTS 幫遊戲角色配音

免費可商用的開源 TTS,筆電 CPU 就能跑。實測 Kokoro、Chatterbox 的中文、授權與免費聲音克隆,幫遊戲角色配中英文台詞。

月球基地的酒吧裡,筆電飄出橘色聲波流向擦著杯子的機器人酒保,戴耳機的太空人坐在吧台椅上比讚
月球基地的酒吧裡,筆電飄出橘色聲波流向擦著杯子的機器人酒保,戴耳機的太空人坐在吧台椅上比讚

這個網站的首頁是一座月球基地。打開 terryl.in,就會進到一個用 Three.js 做的 3D 小遊戲。你可以操控太空人在基地裡走動、穿上太空衣,從氣閘走到月面,或是到酒吧點一杯特調。部落格「月球基地日誌」記錄的就是這座基地一路做出來的過程。

基地的酒吧裡有一位機器人酒保,叫亞瑟。這個角色是向電影《星際過客》(Passengers,2016)裡的仿生人酒保亞瑟致敬。他一樣溫和、非常有禮貌,說話時面無表情。幾句台詞也改寫自電影,看過的人應該會認出來。你問他為什麼一直擦杯子,他會說:「如果我不擦杯子,我就非得找話聊不可。」可惜到目前為止,這些台詞都只是對話框裡的字。

上一篇用 Stable Audio 3 Small SFX 幫月球基地做了音效,這篇換配音。以前要幫遊戲角色配音,得找配音員,或使用 ElevenLabs 這類按字數計費的雲端 AI 文字轉語音服務。現在有幾個開源、免費、可以商用的 TTS(文字轉語音)模型,下載到自己的電腦就能用,不用按次付費,也可以當作 ElevenLabs 的免費替代方案。

這篇會比較目前最值得用的幾個開源 TTS 模型。我在一台沒有顯示卡的筆電上安裝了 Kokoro TTS 和 Chatterbox TTS,實際幫亞瑟配了中文和英文台詞,也試了免費的 AI 聲音克隆,讓角色在每句台詞中都維持相同的音色。

開源 TTS 模型推薦:可商用的 AI 文字轉語音比較

先看結論。下面是我篩過授權、確定可以商用的幾個:

模型

參數量

授權

聲音克隆

中文

硬體

Kokoro-82M

8,200 萬

Apache 2.0

不行,用內建 54 種聲音

有,但比較弱

CPU 就能跑

Chatterbox-Nano

1.1 億

MIT

可以

只有英文

CPU 就能跑

Chatterbox-Turbo

3.5 億

MIT

可以

只有英文

CPU 可以,比較慢

Chatterbox(原版、多語 V3、中文版)

5 億

MIT

可以

多語 V3 和中文微調版有

CPU 可以,很慢

Step Audio EditX

約 30 億

Apache 2.0

可以

強

要 NVIDIA 顯示卡

Qwen3-TTS(0.6B、1.7B)

6 億、17 億

Apache 2.0

可以,3 秒參考聲音

強,有北京話、四川話聲音

0.6B 用 CPU 可以跑,克隆很慢

簡單說:

  • 要快、要輕、筆電就能用:Kokoro。
  • 要克隆聲音、讓角色的聲音一致:Chatterbox。英文用 Nano,中文用中文微調版。
  • 中文為主、有 NVIDIA 顯示卡:Qwen3-TTS,可以用一句文字描述「設計」聲音,也能用語氣指令控制情緒。
  • 有大顯卡、追求最好的音質和情緒:Step Audio EditX。

Step Audio EditX 要 NVIDIA 顯示卡,我的筆電沒有,所以這篇沒有實測;Qwen3-TTS 我試了最小的 0.6B,用 CPU 也跑得動,結果放在下面。

這篇先做總覽,之後會針對每個模型各寫一篇專屬介紹,包括 Kokoro、Chatterbox、Qwen3-TTS、Step Audio EditX,還有 VoiceStudio。

在由真人盲聽評分的排行榜(例如 Speech Arena)上,排在最前面的還是 ElevenLabs 這類閉源服務,開源模型還沒擠進前十。但做遊戲不一定需要最頂級的音質。像 NPC 台詞、教學用的 AI 旁白,或開發階段的暫用配音,用開源模型就很夠了。

中文配音的另一個選擇:Qwen3-TTS

Qwen3-TTS 是阿里巴巴通義千問團隊在 2026 年 1 月開源的 TTS 系列,授權是 Apache 2.0,可以商用。它有 0.6B 和 1.7B 兩種大小,各分成幾個用途不同的版本:

  • Base:聲音克隆,只要 3 秒的參考聲音。
  • CustomVoice:9 種內建聲音,其中有北京話和四川話口音的男聲;1.7B 版還能用指令控制語氣,例如「用特別憤怒的語氣說」。
  • VoiceDesign(1.7B):用一段文字描述設計聲音,例如「17 歲的男生、男高音、說話越來越有自信」。

支援中、英、日、韓、德、法、俄、葡、西、義 10 種語言。官方的評測說它在中文的發音準確度和聲音相似度上贏過 ElevenLabs,不過這是官方自己的測試。

用在遊戲配音時,最實用的做法是先設計聲音、再克隆。先用文字向 VoiceDesign 描述角色的聲音,生成一句台詞當作參考,之後的台詞都用 Base 克隆,就能維持一致的音色。這跟我在這篇用 Kokoro 搭配 Chatterbox 的做法很接近。

安裝是 pip install -U qwen-tts。官方的範例都是在 NVIDIA 顯示卡上用 bfloat16 和 FlashAttention 2 跑,沒有寫需要多少顯示記憶體,也沒有提到能不能只用 CPU。

我在同一台筆電上用 CPU 試了 0.6B:

  • 內建聲音(CustomVoice):生成一句長約 6 秒的台詞,需要約 31 秒。
  • 聲音克隆(Base):一句約 4~5 秒的台詞要 4 分鐘以上,比 Chatterbox 中文微調版慢三倍。

實測時有個發現,對配中文台詞很有幫助:台詞用繁體中文輸入,它會把多音字念錯。例如「這是這份行業的神聖信用」中的「行業」,「行」應該念 háng,它卻念錯了。同一句改成簡體字「这是这份行业的神圣信用」再生成一次,就念對了。

我推測,這是因為它的中文訓練資料以簡體為主。所以,台灣的開發者用 Qwen3-TTS 配中文時,記得先把台詞轉成簡體再送進去,念出來的還是同一句話。

Qwen3-TTS 0.6B 內建聲音 Uncle_Fu,繁體輸入:「行業」念錯了
同一句改成簡體輸入「这是这份行业的神圣信用」:念對了

聲音克隆也一樣。下面這段用 Kokoro 的 zm_yunjian 當參考聲音,台詞和參考聲音的逐字稿都用簡體輸入,「行業」同樣念對了:

Qwen3-TTS 0.6B 克隆 zm_yunjian,簡體輸入:念對了

沒有顯示卡時,用 Qwen3-TTS 的內建聲音比較合適;要用聲音克隆製作大量台詞,還是要有 NVIDIA 顯示卡。

看起來開源,其實不能商用的

挑模型時最容易踩到的坑是授權。有些模型權重公開在 Hugging Face 上,但不代表可以拿來賺錢:

  • Coqui XTTS v2:多語言、可以克隆聲音,以前很熱門,但授權是 Coqui Public Model License,只能非商業使用。
  • Fish Audio S2 Pro:權重公開,但商用要另外向 Fish Audio 買授權。
  • 一些研究型模型:採用 CC BY-NC 授權(NC 表示僅限非商業用途)。

下載前一定要看模型頁的 License 欄位,再點進去讀全文。

Kokoro TTS 是什麼?中文能用嗎?可以商用嗎?

Kokoro-82M 是一個只有 8,200 萬參數的 TTS 模型,2025 年 1 月發表 1.0 版。它小到用 CPU 就能跑,音質卻在同級的小模型裡數一數二,所以很多商用 API 和專案都拿它來用。

  • 授權:Apache 2.0,可以商用,也可以包進自己的產品。
  • 訓練資料:官方寫明,只使用公有領域的錄音、採 Apache 或 MIT 授權的錄音,以及大型廠商閉源 TTS 的合成語音,沒有使用以他人聲音克隆而成的語音。
  • 聲音:54 種內建聲音,8 種語言:英文(美式、英式)、日文、中文、西班牙文、法文、印地文、義大利文和巴西葡萄牙文。
  • 限制:不能克隆聲音,只能從內建聲音裡挑。中文聲音有 8 種,官方自己的評分都是 D,因為中文訓練資料只有幾個小時。

不過,我實際試了三個中文男聲,拿來幫遊戲 NPC 配音都夠用。最後選了沉穩的 zm_yunjian 當亞瑟的中文聲音。

要注意的是:官方提醒,網域名稱裡有「kokoro」的網站都跟這個模型無關,不要在那些網站付費或下載。

Chatterbox TTS 是什麼?支援中文嗎?可以商用嗎?

Chatterbox 是語音公司 Resemble AI 開源的 TTS 系列,最大的特色是聲音克隆:給它一段 5~10 秒的人聲,它就用那個音色念出新的台詞。原版還可以調整情緒的誇張程度,Turbo 版可以在台詞裡加入 [laugh]、[chuckle]、[cough] 這類笑聲或咳嗽的標籤。

  • 授權:MIT,可以商用。
  • 浮水印:每段生成的聲音都嵌入了 Resemble 的 Perth 浮水印。雖然聽不出來,但轉成 mp3 或剪輯後,浮水印仍會保留,可供偵測工具辨識這段聲音是否由 AI 生成。
  • 已經停止維護:Resemble AI 在 2026 年 8 月宣布 Chatterbox 是「已結束的研究專案」,之後不再更新,公司改做深偽偵測。程式碼和權重以 MIT 授權保留,所以還是可以下載、可以商用,只是不會有新版本和支援。

最後一點反而說明了開源模型的好處:權重下載到自己的電腦,就不怕服務停掉。 雲端配音服務如果漲價或關閉,遊戲裡的配音就沒辦法再改;開源模型存在硬碟裡,十年後還能用同一個聲音補台詞。

Chatterbox 有好幾個版本,一開始很容易搞混:

版本

參數量

語言

特色

Chatterbox(原版)

5 億

英文

可以調情緒強度(exaggeration)

Multilingual V3

5 億

23 種,含中、日、韓

一個模型多種語言

中文微調版(zh-cmn)

5 億

中文

專門針對中文調整

Turbo

3.5 億

英文

比較快,支援笑聲、咳嗽標籤,一定要給參考聲音

Nano

1.1 億

英文

最小最快,官方說 8 核心 CPU 可以跑到即時速度的 3 倍

電腦需求:沒有顯示卡能跑嗎?

我的筆電是 Intel Core Ultra 5(6 核心),只有內顯,等於只能用 CPU 跑。下表列出實測的台詞生成時間,每句台詞長約 4~6 秒,計時包含每次載入模型所需的時間:

模型

一句台詞花多久

Kokoro(英文)

約 9 秒

Kokoro(中文)

約 13 秒

Chatterbox-Nano(克隆)

約 15~20 秒

Chatterbox-Turbo(克隆)

約 40 秒

Chatterbox 原版

約 60 秒

Chatterbox 中文微調版(克隆)

約 80 秒

Qwen3-TTS 0.6B(內建聲音)

約 31 秒

Qwen3-TTS 0.6B(克隆)

約 4 分鐘

Kokoro 和 Chatterbox Nano 在筆電上很實用,改一句台詞、聽一次,等十幾秒就好。Chatterbox 的 5 億參數版本用 CPU 跑一句要一兩分鐘,適合一次排好整批台詞,讓它在背景慢慢跑。有 NVIDIA 顯示卡的話會快很多。

硬碟空間方面,兩個工具各自的 Python 環境(含 CPU 版 PyTorch)各占約 1.5 GB。模型檔需另外下載:Kokoro 的檔案很小,Chatterbox 每個版本約占 1~3 GB。

Kokoro TTS 安裝教學(CPU 版,含中文)

建議用 uv 建一個獨立的 Python 環境,不要裝在系統的 Python 裡。Kokoro 支援 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] 用來處理中文發音,只需要英文配音時可以不裝。英文的發音會用到 espeak-ng,pip 套件已經內建,不用另外安裝。

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)

聲音名稱的第一個字母是語言,第二個字母是性別:zm_yunjian 是中文男聲,bf_emma 是英式英文女聲。完整清單在官方的 VOICES.md。第一次執行會自動從 Hugging Face 下載模型。

Chatterbox TTS 安裝教學:中文要裝 GitHub 版,不要裝 PyPI 舊版

這是我踩到的最大一個坑。照很多教學執行 pip install chatterbox-tts,裝到的是 PyPI 上的 0.1.7 版,它的多語模型是舊的 V2。我用它念「酒保是替人保守秘密的。這是這份行業的神聖信用。」這段台詞,3 秒多就念完了,後面卻多出十幾秒的停頓和怪聲。

GitHub 上的最新版才有多語 V3、Nano 和中文微調版,所以要直接從 GitHub 安裝:

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"

後面的 setuptools<81 也不能省略。浮水印套件 Perth 還在用舊的 pkg_resources,但新版 setuptools 已經把它移除了。如果不固定版本,一執行就會出錯。

用 Nano 克隆聲音:

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 是要克隆的參考聲音。中文微調版的檔案格式跟主程式不太一樣,要稍微修改負責載入檔案的程式碼。這種瑣碎的事很適合交給 Claude Code 或 Codex。

交給 Claude Code 或 Codex 安裝

不想自己處理版本問題的話,在終端機開啟 Claude Code 或 Codex,輸入:

請幫我在 ~/tools 安裝 Kokoro-82M 和 Chatterbox(從 GitHub 安裝最新版,要有 Nano 和中文微調版),用 CPU 版 PyTorch,各做一個可以從任何資料夾呼叫的指令

我就是這樣裝的。過程中遇到 PyPI 版本太舊、setuptools 相容性問題,以及中文微調版載入失敗,都是 AI 助手自己找出原因並修好的。裝在 ~/tools 的好處是每個專案都能共用,不用每個遊戲各裝一份。

AI 聲音克隆是什麼?免費開源的做法

聲音克隆(voice cloning)就是給模型一段某個人的聲音,讓它用那個音色念出新的台詞。用 Chatterbox 做聲音克隆是免費的,做法很簡單:準備一段參考聲音,加上要念的台詞。參考聲音的品質決定了結果:

  • 長度 5~10 秒,短於 5 秒會直接顯示錯誤訊息。
  • 只有一個人在說話,沒有背景音樂和雜音。
  • 語氣要符合角色需求:它會連說話速度和情緒一起學。想讓角色說話緩慢、語調平淡,參考聲音也要有同樣的表現。
  • 最好跟台詞同一種語言:用英文參考聲音念中文的話,會帶一點英文口音。

聲音從哪裡來很重要。模型本身可以商用,不代表可以複製任何人的聲音:

  • 自己錄的:沒問題。
  • 配音員或朋友錄的:要取得對方同意,才能用在遊戲裡,最好留下書面紀錄。
  • 電影、遊戲角色、名人的聲音:不行,就算只是像也有肖像權和人格權的問題。

我另外採用一種做法:先用 Kokoro 生成一句台詞,當作角色的原聲。Kokoro 採用 Apache 2.0 授權,生成的聲音可以自由使用。這樣等於先「設計」出角色的聲音,再交給 Chatterbox 念其他台詞、加入情緒。

實測:幫機器人酒保亞瑟配音

亞瑟的英文聲音,我選了 Kokoro 的 bm_george。它的英式腔調很穩重,聽起來像一位有禮貌的管家型機器人。中文則選了聲音沉穩的 zm_yunjian,兩者的語速都調慢到 0.95。

電影裡的亞瑟由麥可·辛(Michael Sheen)飾演,但這裡刻意不模仿他的聲音。配音用的是 Kokoro 的內建聲音,克隆的也是 Kokoro 生成的聲音,這就是前面所說的「聲音從哪裡來很重要」。

下面的音檔都直接來自模型,只剪掉頭尾的靜音,並統一音量。

Kokoro:直接用內建聲音

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.」
Kokoro zm_yunjian:「如果我不擦杯子,我就非得找話聊不可。那樣一來,客人都會覺得很尷尬。」
Kokoro zm_yunjian:「你不能因為太執著於想去的地方,而忘了好好享受你現在身處的地方。」

Chatterbox:用 Kokoro 的聲音克隆

英文配音的參考聲音是上面 Kokoro bm_george 的第一句(約 6 秒),中文則是 zm_yunjian 的第一句(約 7 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.」
Chatterbox 中文微調版克隆 zm_yunjian:「酒保是替人保守秘密的。這是這份行業的神聖信用。」

對照一下 Chatterbox 原版的內建聲音,沒有克隆,情緒強度調低到 0.3:

Chatterbox 原版內建聲音:「If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.」

幾個觀察:

  • Kokoro 每次結果都一樣:同一句台詞、同一個聲音,生成幾次都相同,不用挑版本;想要不同的感覺就換聲音或調語速。
  • Chatterbox 每次結果都不一樣:同一句台詞換個 seed,就會有不同的語氣和節奏,所以要多生成幾個版本,再從中挑選。
  • 克隆讓聲音一致:參考聲音只有一句,克隆出來的每句台詞都是同一個角色的音色,不用每次重新挑聲音。
  • 克隆的版本念得比較快:同樣的台詞,Nano 克隆版的長度比 Kokoro 原聲短了 10~20%。想讓語速慢一點,可以改用語速更慢的台詞錄音當作參考聲音。

AI 配音提示詞怎麼寫?交給 Claude Code 或 Codex

TTS 要輸入的是台詞本身,不像生成音效時,要用提示詞描述想要的聲音。至於選聲音、克隆和檢查結果,都有一套固定流程,很適合寫進 AI 程式助手的全域設定。Claude Code 的設定檔是 ~/.claude/CLAUDE.md,Codex 的則是 ~/.codex/AGENTS.md。之後只要說「幫亞瑟配這三句台詞」,它就會照這套規則做:

## 用本機 TTS 幫遊戲角色配音

我要配音時,用本機的 Kokoro 和 Chatterbox,照這套規則:

- 每個角色固定一個聲音。新角色先用 Kokoro 挑內建聲音,生成一句 5~10 秒的台詞存成參考聲音,之後都用它克隆。
- 不需要情緒或笑聲的台詞直接用 Kokoro;要情緒、笑聲([laugh]、[chuckle])或要跟參考聲音一致時,用 Chatterbox 克隆:英文用 Nano 或 Turbo,中文用中文微調版。
- 用 Qwen3-TTS 念中文時,台詞先轉成簡體再送進去(繁體會把「行業」這類多音字念錯)。
- 一句台詞一個檔案,檔名用「角色-語言-編號」。
- Chatterbox 每句用 3 個不同的 seed 各生成一次,列出檔名和台詞讓我挑。
- 生成後檢查長度:音檔明顯比台詞該有的長度長,就是多念了,換 seed 重來。
- 不克隆真人的聲音,除非我說明已取得本人同意。
- 要放進網頁或遊戲時,剪掉開頭結尾的靜音、加短淡出、統一響度,轉成 mp3。

讓台詞多一點表情:Turbo 的笑聲標籤

Chatterbox-Turbo 可以直接在台詞裡加標籤,例如 [chuckle] 輕笑、[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,台詞中間加了 [chuckle]

開源 TTS 的限制

實際用過一輪後,我覺得有幾點需要先提醒:

  • 沒有顯示卡就要有耐心:Kokoro 和 Chatterbox Nano 很快,其他 Chatterbox 版本用 CPU 跑一句要一兩分鐘。
  • 中文還是比英文弱:Kokoro 和 Chatterbox 的中文訓練資料都比英文少很多,偶爾會有念錯的字,要多聽幾次再用。Qwen3-TTS 用繁體輸入會把多音字念錯,先轉成簡體就好。
  • 要選對版本:Chatterbox 的 PyPI 版本太舊,而且 Chatterbox 已經停止維護,有些問題不會再有人修。
  • 情緒要靠參考聲音和參數:模型不懂劇情,不會自己知道這句台詞是開玩笑還是在生氣。想讓台詞聽起來激動,就要準備語氣激動的參考聲音,或調高情緒強度。
  • 成品還是要檢查:多念、吃字、開頭有雜音都可能發生。跟檢查音效一樣,可以請 Claude Code 或 Codex 另外派一個子代理(subagent)負責獨立檢查。先用語音辨識把音檔轉回文字,再跟原本的台詞比對,有出入就重新生成。

對獨立開發者最大的好處:開發初期就能加入配音

跟上一篇介紹的音效工具一樣,我覺得開源 TTS 最大的價值是讓遊戲在開發初期就能有配音。

開發初期,劇本經常修改。請配音員錄完後再改台詞,就得重錄。用本機 TTS,改一句台詞、重跑一次,十幾秒就好,不用額外付費。等劇本定稿,再決定要不要請真人重錄。

到那時候,台詞長度、對話框停留時間,以及角色嘴型或動作持續的時間,都已經依照配音調整好了。換成真人錄音時,只要替換同名音檔。

另一個好處是能支援多種語言。月球基地的網站有 15 種語言,請配音員錄 15 種語言不太可能,但 Kokoro 支援 8 種語言,Chatterbox 多語 V3 支援 23 種,至少主要的幾種語言都能先有配音。

常見問題

Kokoro TTS 的中文好用嗎?

可以用,但比英文弱。Kokoro 有 8 個中文聲音(4 男 4 女),官方給的評分都是 D,因為中文訓練資料只有幾個小時。繁體中文的台詞可以直接輸入,這篇的台詞都是繁體;遇到念錯的字,可以換成同音字。

Chatterbox TTS 支援中文嗎?

支援。多語 V3 和中文微調版都能念中文,也能用中文的參考聲音做聲音克隆。要注意 PyPI 上的舊版會在句尾多念,記得從 GitHub 安裝。

免費的 AI 聲音克隆可以商用嗎?

Chatterbox 採用 MIT 授權,模型可以商用;但你也必須有權使用被克隆的聲音,例如自己的聲音、經對方同意使用的聲音,或像這篇一樣用 Kokoro 生成的聲音。另外每段輸出都有 Perth 浮水印。

有沒有 ElevenLabs 的免費替代?

如果需求是遊戲台詞、旁白、教學影片配音,Kokoro 和 Chatterbox 都是免費、可以商用、能在自己電腦上跑的開源替代方案。音質和情緒表現還比不上 ElevenLabs,但不用按字數付費,也不怕服務漲價或關閉。

沒有顯示卡可以跑開源 TTS 嗎?

可以。Kokoro 和 Chatterbox Nano 用筆電 CPU 生成一句台詞只要十幾秒;Chatterbox 的 5 億參數版本一句要一兩分鐘,可以讓它在背景批次跑。

結語:一台筆電就能幫遊戲角色配音

以前覺得配音是做獨立遊戲時最奢侈的部分:請配音員很貴,雲端 TTS 又按字數計費,台詞一多,費用就很可觀。Kokoro 和 Chatterbox 把門檻降到「一台筆電、一句台詞、十幾秒」,可以商用,模型存在自己的電腦裡,不怕服務關掉。

下一步要把亞瑟的配音放進遊戲,讓他在對話框出現時真的開口說話。

這篇先總覽開源 TTS,接下來會分別介紹 Kokoro、Chatterbox、Qwen3-TTS、Step Audio EditX 和 VoiceStudio,各寫一篇,分享安裝方式、參數設定和更多實測。

你的遊戲角色都怎麼配音?歡迎到 Threads 或 X 找我的貼文,直接留言聊聊。