为对话而造的 TTS
ChatTTS 是一个专为对话调校的文本转语音模型,不走通用朗读那条路。很多 TTS 系统追求干净的朗读嗓,ChatTTS 瞄准的是对话的节奏,带自然韵律、笑声和停顿,中英双语、含混合输入。这个侧重正是它在「给聊天助手和 LLM agent 配音」上走红的原因。截至 2026-06 有 39,458 星,是 star 最多的开源 TTS 项目之一。
要先知道的取舍是:它明确是个研究项目,带限制性许可和有意的反滥用措施,这既决定了你能怎么用,也决定了它听起来怎么样。
它做什么
你用文本加内联控制标签(笑声、停顿等)来驱动它,它采样一个说话人,不做指定目标声音的克隆。结果是对话式、有表现力的,韵律适合助手风格的语音。说话人采样带来多样性,但也意味着可复现性取决于你固定随机种子,这是常见的困惑来源。
安装
pip install ChatTTS开发版直接从仓库装:pip install git+https://github.com/2noise/ChatTTS。它需要一块有几 GB 显存的 GPU 才推理顺畅,模型首次使用时下载。
设计上就仅限研究
这部分决定你到底能不能用。许可是两层、限制性的:代码在 AGPLv3+ 下,这是强 copyleft,要求你开源改动、连网络使用也要开源;模型权重在 CC-BY-NC 4.0 下,禁止商用。README 直白写明,发布的模型仅供学术用途。在许可之上,作者还内建了反滥用措施:训练时加入高频噪声、有意把输出压成 MP3 级降质、还有一个生成语音检测模型。所以 ChatTTS 是给研究和教育的,把它集成进商业产品在代码和权重两层都有真实法律风险。
适合与不适合
在研究或原型化对话语音、想要带笑声和停顿的自然对话韵律、中英够用时,选它。做学术和个人项目,它是有表现力的强选。
它不适合做商业产品,那里 AGPL 代码和非商用权重是硬阻断。有意的降质也压住了保真度,不固定种子时稳定性会飘,而且维护放缓、版本之间间隔很长。如果你要对商业友好的许可,下面这些替代品差别很大。
ChatTTS 和其它开源 TTS 模型的对比
| ChatTTS | F5-TTS | fish-speech | VoxCPM | |
|---|---|---|---|---|
| Stars | 39,458 | 14,759 | 30,832 | 28,884 |
| 强项 | 对话韵律 | flow-matching 克隆 | 多语言克隆 | 声音设计与克隆 |
| 代码许可 | AGPLv3 | MIT | Fish Audio Research | Apache-2.0 |
| 权重 | CC-BY-NC | CC-BY-NC | 研究、非商用 | Apache-2.0 |
| 商业用途 | 不允许 | 自训权重或授权 | 需单独授权 | 允许 |
数字为截至 2026 年 6 月的 GitHub 数据。F5-TTS 代码是 MIT,但权重是 CC-BY-NC。fish-speech 需单独商业许可。VoxCPM 是 Apache-2.0,对商业最友好。ChatTTS 以对话质量见长,但在用途上是这组里限制最严的。
star 曲线
star 曲线在 ChatTTS 发布时陡峰,听起来真自然的对话式 TTS 是新鲜、好传播的东西,它又踩着助手热潮继续爬。近期走平,跟着发布节奏放缓,版本之间间隔很长。
issue 区给你的预警
反复出现的 issue 关于控制和稳定。不固定随机种子时,输出会一次一个样;零样本声音相似度有限,因为模型采样说话人、不做克隆。笑声和停顿的控制标签不总生效,长文本可能被截断或不完整。显存需求不高,但 vLLM 这类加速路径据报会让音质变差。维护放缓也意味着这些毛刺短期内难被磨平。
相关仓库
要 MIT 代码的声音克隆,看 F5-TTS。要多语言克隆,看 fish-speech。要 Apache-2.0、对商业友好的模型,看 VoxCPM。想看什么在涨,见 LLM 工具、每日榜 和 每周报告。
常见问题
ChatTTS 能商用吗? 不能。代码是 AGPLv3,会强制你开源衍生作品、含联网使用;权重是 CC-BY-NC,禁止商用。README 写明模型仅供学术用途。商业集成在两层都有法律风险。
ChatTTS 还是 fish-speech,该用哪个? ChatTTS 为中英对话韵律调校,但仅限研究。fish-speech 做多语言声音克隆,但需单独商业许可。研究用按你要对话韵律(ChatTTS)还是声音克隆(fish-speech)来选;商用则去看 VoxCPM。
ChatTTS 为什么每次输出不一样? 它采样说话人、不用固定声音,所以不固定随机种子时结果会变。设好并复用种子,输出才可复现。
ChatTTS 做声音克隆吗? 不做任意克隆。它采样说话人、可复用种子求一致,但不像 F5-TTS 或 fish-speech 那样为克隆某个指定声音而设计。
ChatTTS 还在积极维护吗? 在维护但放缓,版本之间间隔很长。核心能用,但控制标签和稳定性的毛刺,预计会长期留着。