一些中文语音合成服务的使用体验

发表于 分类于 ， 本文字数： 1.6k 阅读时长 ≈ 6 分钟

因为一些开发需求要使用到语音合成（TTS, text-to-speech）技术，所以趁着放假体验了一些网上比较知名的 TTS 服务，以此来比较中文语音合成的效果。

评测文本

从我自身的使用角度出发，我选了如下两段内容进行语音合成。这两段中文文本中都包含了英文单词和数字，用来模拟平常的使用场景。

知名爆料人 Moore’s Law is Dead 在近期的视频中表示，PlayStation 5 Pro 不带光驱的型号价格有望低至 500 美元，因为它的生产成本不会比 PlayStation 5 高出多少。

据 SteamDB 数据显示，截至发稿，《HELLDIVERS 2》Steam 同时在线人数的峰值已经来到了 255189 人，即时玩家人数也超过了 16 万人，预计在本周末热度会进一步上涨。

合成结果

EdgeTTS

EdgeTTS 这个项目其实就是将 Edge 浏览器内的 大声朗读 功能封装为 API 接口，而大声朗读功能应该是使用了微软自己的 Azure 文本转语音服务。该服务提供了中文 voice speaker 选项（包含 zh-HK、zh-TW，甚至还包含山西话和东北话），只不过 speaker 数量受到了限制，选择比较少。

从合成结果来看，文本中的中文、英文和数字都能准确地被识别与合成，同时每个 voice speaker 的声音还具有不同的情感，完全能满足日常大多数场景。当然，有条件的话还是建议注册一个 Azure 账户，每个账户每个月都有 50 万字符的免费额度（微软果然财大气粗）。

TTSMaker

ttsmaker.com / ttsmaker.cn 似乎就是基于 Azure 语音合成服务进行二次开发后的产品。相比 EdgeTTS，它提供了更多的中文 voice speaker 选项，一些热门的声音在合成过程中通常需要等待一会，但并不会很久。

从合成结果上来说，它和 EdgeTTS 生成的结果没有什么区别（除了因为 voice speaker 不同导致的语音情感不同），因为它们使用的都是微软的语音合成服务。

TTSMaker 官方提供了 API 文档，但是目前还没有提供个人开发者注册选项。虽然官方提供了用于开发测试的免费 token，但基本在每次配额重置后字符数马上就会被使用耗尽。

MeloTTS

MeloTTS 是一个由 MyShell AI 开发的开源、高质量、多语言的文本转语音项目，可以将文本转换成自然流畅的语音输出，并支持英语、西班牙语、法语、中文、日语和韩语等多种语言。MeloTTS 特别支持 CPU 环境下的实时语音合成，无需依赖 GPU。

从体验来讲，MeloTTS 的合成语音只有轻微的机器感，这在开源项目中算是非常优秀。并且文本中的中文、英文和数字都几乎能准确地识别与合成，要说缺点的话就是没有太多的 voice speaker 选项，中文目前只找到了一个女声和一个男声。

ChatTTS

ChatTTS 也是一个开源的文本转语音项目，支持中文和英文。以下的测试音频通过 ChatTTS Forge 合成，从合成效果来看，除了测试文本中的 “HELLDIVERS 2” 之外，中文、英文、数字都几乎能准确地被识别与合成，并且听起来和真人已经没有多大区别了。

EmotiVoice

EmotiVoice 是一个开源的 TTS 引擎，支持中英文双语，并拥有 2000 多种不同的音色和特色的情感合成功能，支持合成包含快乐、兴奋、悲伤、愤怒等广泛情感的语音。

但从合成结果来看，语音充满了比较明显的机器感，同时情感色彩不明显，即使在合成时已经把 prompt 设置为 “快乐”。

ElevenLabs

ElevenLabs 是国外知名度非常高的一个 AI 语音服务网站，每个账户每月提供 1 万字符的免费额度。并且该网站提供了完整的 API 接口文档和 SDK，开发者可以十分方便地进行二次开发。

我使用该网站在去年年底推出的 Multilingual v2 语音合成模型，该模型号称支持 28 种语言（包括中文）。

从合成结果来看，该模型并不适合生成中文内容。因为该模型提供的 voice speaker 只包含了诸如美式口音、英式口音等选项，但没有提供中文口音。所以生成的语音结果听起来非常像是一个老外在讲中文，即存在着明显的外语口音。

此外，根据合成结果，该模型也不能很好的识别中文文本中包含的数字。

CoquiTTS

CoquiTTS 可以被当作 ElevenLabs 的开源替代方案，它集成了几个知名的 TTS 模型，提供了语音合成和克隆服务。这里我使用了 XTTS v2 模型进行语音合成，该模型同样支持中文。但是和 ElevenLabs 相似，该模型提供的 voice speaker 不包含中文口音，只有美式、英式英语等口音。

CoquiTTS 合成结果只存在轻微的外语口音和机器感，比 ElevenLabs 的结果要好，但是同样无法很好地识别出文本中夹杂的长串数字。

另外，Coqui 官方已经宣布因为资金问题不再维护该项目，所以在未来很难看到该项目的功能更新和问题修复。

结论

微软的语音合成服务最好，语音带有情感，同时没有任何机器合成感。

如果只是需要少量文本合成，TTSMaker 是一个不错的选择；如果是出于软件开发的需要，那么可以根据生成文本字符数的多少来选择 EdgeTTS 或微软 Azure 的文本转语音云服务；如果想要使用开源项目，那么 MeloTTS 或者 ChatTTS 是不错的选择。