上新！开源TTS+免费TTS，低延迟高品质

发布日期：2025/7/5 8:29:26      浏览量：

上新！一款新的开源TTS+一款新的免费TTS，低延迟高品质

开源Kyutai TTS:
官网地址：https://kyutai.org/next/tts


介绍：
专门为实时场景打造的文本转语音神器，超低延迟、高保真声音和流式处理能力方面非常强。现在，这个 1.6B 参数的模型 (kyutai/tts-1.6b-en_fr) 开源了，供大家免费使用。它支持英语和法语，特别适合需要低延迟的实时场景，比如直播、语音助手或互动应用。

优势：
高准确度：通过“字错误率”（WER）测试，它在英语（2.82%）和法语（3.29%）的语音生成中错误极少，远超其他竞品，比如 ElevenLabs 或 Chatterbox 
声音逼真：它能模仿目标声音的语调、语气和录音质感，相似度高达 77.1%（英语）和 78.7%（法语）
超低延迟：从接收文字到生成语音只需 220 毫秒（0.22 秒），即使多人同时使用（比如 32 个请求一起处理），延迟也只有 350 毫秒。这意味着它反应超快，特别适合实时对话 
支持长文本：可以生成超长音频，质量依然稳定

技术亮点：
文本流式处理：传统 TTS 模型需要先知道完整文本才能开始生成语音，而 Kyutai TTS 可以一边接收文字一边生成语音。这对实时场景特别有用，比如当 AI 还在生成长文本时，语音已经开始播放了 
 延迟流建模（Delayed Streams Modeling）：这是 Kyutai 团队独创的技术，简单来说，他们把文字和语音看作两条“平行”的流，语音稍微延迟一点（几帧），这样模型就能一边处理文字一边生成语音。这种设计还让语音和文字的时间对齐更精准，比如可以生成字幕或处理用户打断对话的场景
语音克隆：只需 10 秒的音频样本，模型就能模仿这个声音的风格。为保护隐私，他们不直接公开语音嵌入模型，而是提供了一个基于公开数据集（如 Expresso、VCTK）的语音库，还鼓励用户匿名捐赠自己的声音来丰富库 · 字级时间戳：生成语音的同时，模型还能告诉你每个单词的具体时间点。这功能很实用，比如可以实时生成字幕，或者在用户打断 AI 时，精准知道停在哪里，方便后续继续。

免费 Cartesia

官网
https://cartesia.ai/languages/chinese

它专门整了一个页面说自己是最快的 TTS 模型对中文支持流畅。


Cartesia - 免费试用
亮点  
•支持中文文本极速转语音，发音地道，覆盖多种口音和场景 
•多种高质量原生中文声音可选，适合客服、广告、教育等多种应用 
•真实还原语气、情感，能准确朗读数字、订单号等关键信息 
•超低延迟，最快 40ms 输出音频，适合实时对话和高并发场景  
•企业级安全合规，支持云端、本地和端侧多种部署方式
•免费试用，API 接入简单，支持多语言拓展