想用自己的声音念稿，市面上通常三条路：云端 API 按字收费、要实名、要把声音样本传上去；一体机软件好用的都收费；开源模型不要钱、不上传，但九成人卡在环境上。

我走第三条。折腾两天，五个引擎全部跑通。真正拦住人的不是模型，是三件事：权重下载不下来、依赖把机器搞崩、跑出来了却不知道到底像不像。

第三件最要命——你只能反复听，听多了耳朵会骗自己。所以这篇不只讲怎么装，重点讲

五个全是开源、可本地跑：CosyVoice 3（阿里，Apache-2.0，24kHz）、Chatterbox（Resemble AI，MIT，24kHz，有 Apple 芯片专用版）、OmniVoice（k2-fsa，Apache-2.0，24kHz）、VoxCPM 2（Apache-2.0，唯一 48kHz）、Qwen3-TTS 0.6B（阿里，MIT，24kHz，最小最快）。

懒人路线：Python 生态里有一个包叫 mlx-audio，一个包就带了四十多个 TTS 模型，纯 MLX、不装 torch 也不装 numba，参数还统一，最适合横向对比。

三、比"像不像"，先定三条纪律

这是全文最值钱的部分。比哪个更像，最容易犯的错是每个引擎用不同文本、不同参考音，然后凭感觉排名。那样比出来的是噪音。

第一条，测试文本必须是参考音频里没有出现过的字。

用参考音的原文去生成，你听到的是"原声回放"，根本不叫克隆，什么也证明不了。这一点我第一轮就搞错了，白跑一遍。

第二条，所有引擎吃同一份参考音频。

位深、采样率、静音裁切全部一致，我这轮用的是同一份 10 秒干声。

不要一上来就用耳朵。先用机器把明显不行的筛掉，剩下的再交给人的感受做最终判断。

四、客观指标：声纹余弦相似度

思路很简单：拿一个预训练的说话人识别模型（我用的是 CosyVoice 3 自带的 campplus 声纹模型），把参考音频和生成音频各自抽成一条固定维度的声纹向量，算两者的余弦相似度。

判读标准：大于 0.70 是明显像同一个人；0.50 到 0.70 是有相似度；低于 0.50 不像；0.10 到 0.30 是陌生人水平，可以拿来做对照基线。

两个注意点：一是音频越短越不稳，10 秒以下波动大，建议 15 秒以上再判；二是它只测音色，不测语气和节奏——所以它只能筛掉明显不行的，最后还得靠耳朵。

（配图：五个引擎的声纹相似度对比）

五、主观校验：让机器把自己生成的话听回来

生成完再跑一遍离线语音识别，把音频转回文字，和原文逐字对。

这一步能抓到两类致命问题：一是漏读、跳字，比如开头几个字被吞掉，人耳在长音频里常常注意不到；二是胡言乱语，模型跑飞了，音色再像也没用。

我的验收标准是：五段生成音频全部与原文一字不差，这轮对比才算有效。

最难的一个问题，看起来像内存不足，其实完全不是。

：某个引擎每次跑到"开始生成语音"之后，进程直接没了。没有崩溃日志、没有内存溢出记录，系统内存还剩 3.5GB。连续复现五次，每次都在同一行。

我一开始判断是 16GB 内存不够，去查系统内存状态、崩溃报告、系统内存回收日志——全都是干净的。所以不是内存问题，是有人主动把进程掐了。

顺着往上摸，真凶在一个第三方库的 JIT 缓存模块里，而且是两处：

第一处，那个库探测"缓存目录能不能写"的方式，是建一个临时文件再删掉。每删一次就算一次删除，碰到执行环境的批量删除保护，数到第五十次直接把进程干掉——所以你看到的是毫无征兆地消失。

第二处，补掉第一处之后，写缓存又炸了。它用的是"先写临时文件再原子覆盖"，而这个原子覆盖被覆盖保护拒绝了。

很多人第一反应是关掉 JIT。别这么干——关掉之后，水印会失效，相关的调用路径直接崩，你只是把一个坑换成两个。

正解是改掉那两处危险写法，让缓存直接写目标文件，不做临时文件中转。打完之后一次跑通：生成 16.8 秒音频用了 27.8 秒，实时率 0.60 倍。

这段补丁是通用的。任何带 numba 或 librosa 的音频模型，在受限环境里跑一会儿就静默退出，都可以先试它。

（配图：一条"进程静默消失"的排查路径）

七、下载通道：三个环境变量决定生死

境内拉 HuggingFace 权重，三个设置记牢：

一是换镜像地址，直连官方站是 502。

二是关掉新的存储协议开关，开着走镜像必然 401。

三是千万不要开那个"高速传输"开关，看着像加速，实测是文件下到一半彻底不动，比慢更让人绝望。

还有一个坑：镜像会限流。同时开多个下载任务、失败就立刻重试，会直接被封。改成单线程加指数退避之后，全程零限流，稳定在每秒 0.3 到 1 MB，三个模型一个多小时下完。慢，但一次成功——这种场景下，稳就是快。

同一段 10 秒参考、同一段 75 字新文本，五段生成音频经离线识别回读，与原文一字不差。

声纹相似度排名：Chatterbox 0.763、OmniVoice 0.746、CosyVoice 3 0.720、VoxCPM 2 0.679、Qwen3-TTS 0.626。

三个反直觉的结论：相似度高不等于好听，它只测音色，不测断句、气息、松弛感；48kHz 不等于更好，VoxCPM 2 采样率最高但相似度排第四，采样率是上限不是结果；0.6B 的小模型不丢人，0.626 依然在"明显像同一个人"的区间，还最快最小。

（配图：统一口径的五个评测步骤）

中文口播要自然，用 CosyVoice 3；要情绪起伏、有讲话感，用 Chatterbox；要后期剪辑留余量，用 VoxCPM 2；机器小要快，用 Qwen3-TTS 0.6B；想一次横评一批引擎，用 mlx-audio。

。10 秒、安静、无混响、语速平稳的干声，比换任何模型都管用。

在 Mac 上跑通 5 个开源声音克隆引擎：统一口径、客观打分与踩坑全记录

全部是开源、可商用（或宽松许可）、能纯本地跑的。五个里四个跑在 MLX / PyTorch 的 Apple Silicon 后端上。

人工智能

本地跑通五个开源TTS引擎，核心在于用统一测试文本与参考音频做横向对比，通过声纹余弦相似度与离线识别双重校验，选出最适合中文口播的引擎。实测Chatterbox相似度最高，CosyVoice3自然度最佳，同时分享JIT缓存崩溃的通用补丁及HuggingFace下载加速技巧。

语音识别

Python

2026上云采购 | AI焕新·智启新局

workbuddy

ctts

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

在 Mac 上跑通 5 个开源声音克隆引擎：统一口径、客观打分与踩坑全记录

在 Mac 上跑通 5 个开源声音克隆引擎：统一口径、客观打分与踩坑全记录

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐