四个主流开源语音克隆与文本转语音（TTS）项目的对比整理，基于公开资料与实测反馈总结：
| 项目 | CosyVoice | F5-TTS | GPT-SoVITS | Fish-Speech |
|---|---|---|---|---|
| 核心技术 | 双向流式语音合成，支持离线与流式一体化建模 | 基于流匹配的ConvNeXt文本表示，Sway Sampling采样策略 | 零样本/少样本语音克隆，结合GPT与SoVITS架构 | 多语言TTS模型，支持无音素依赖的跨语言合成 |
| 克隆效果 | 音色一致性高（90%+相似度），支持跨语言克隆 | 音色相似度较高，但存在数字朗读问题 | 音色相似度优秀（5秒样本即可克隆），但自然度稍弱 | 音色相似度中等（约50%），需优化噪声问题 |
| 多语言支持 | 中文、英文、日语、韩语、粤语及多种方言（四川话、上海话等） | 中英双语 | 中英日韩粤语 | 支持中、英、日、韩、法、德、阿拉伯、西班牙等8种语言 |
| 情感与风格控制 | 支持情感指令（如哭腔）、方言口音调整、机器人风格等 | 无直接情感控制，但支持语调微调 | 可学习说话人习惯（呼吸声等），情感表现较自然 | 无显式情感控制，但输出稳定 |
| 推理速度 | 流式延迟低至150ms（首包生成），非流式较慢 | 实时因子（RTF）0.15，速度最快 | 推理速度快（5秒样本即时克隆） | 速度较慢（需编译优化），实时因子约1:5（RTX 4060） |
| 长文本处理 | 支持流式分段合成，适合长文本 | 长文本可能不稳定（偶发“核嗓”问题） | 需切分长文本以避免吞字 | 支持长文本，但生成时间较长 |
| 主要优势 | 流式输出、超低延迟、高音色一致性、方言与情感控制 | 快速推理、商用友好（MIT许可）、代码切换流畅 | 零样本克隆速度快、少样本微调灵活 | 多语言泛化能力强、无需音素依赖 |
| 使用场景 | 实时交互（如语音助手）、多方言/情感需求 | 高实时性场景（如直播配音）、多语言代码切换 | 快速克隆定制音色（如个人数字人） | 多语言内容生成（如国际播报） |
| 许可证 | Apache-2.0（代码与模型） | 代码MIT，预训练模型CC-BY-NC | MIT | 代码BSD-3-Clause，模型BY-CC-NC-SA-4.0 |
补充说明
稳定性对比：
CosyVoice和微软Azure并列稳定性最佳，适合商业应用；
F5-TTS在长文本合成中可能出现异常音调，需参数调优；
Fish-Speech生成音频可能伴随底噪，需后处理优化。
推荐场景：
实时性优先：F5-TTS > CosyVoice（流式）；
多语言需求：Fish-Speech > CosyVoice；
情感控制：仅CosyVoice支持细粒度指令调整；
快速克隆：GPT-SoVITS（5秒样本） > CosyVoice（3秒样本）。
