AI声音克隆工具

信息整理时间：2026-06-11 目标场景：中文语音配置 skill，嵌入视频工作流，要求有可选音色，并支持本地声音克隆。

核心结论

优先关注这几类：

• 本机优先：Qwen3-TTS、Chatterbox、Kokoro 兜底、GPT-SoVITS 做音色制作工作台。

• 中文能力强但更适合服务器或云 GPU：CosyVoice、VoxCPM、IndexTTS2。

• 谨慎用于商业视频：F5-TTS、Spark-TTS、ChatTTS、Fish Speech、Coqui XTTS-v2，需要逐项确认模型许可证。

• 目前没有发现这些项目已经提供成熟的 Codex/Agent skill。它们主要提供 Python API、WebUI、CLI、Gradio Demo、FastAPI/gRPC 或 OpenAI-compatible server，需要我们自己封装 skill 层。

支持声音克隆的公开库清单

公开库	声音克隆能力	中文支持	许可证/商用风险	本地 Mac 适配	适合放进视频工作流 skill 吗	链接
Qwen3-TTS	支持 voice clone 和 voice design	强	官方项目为 Apache-2.0，具体模型仍建议逐模型确认	很适合 Apple Silicon，社区已有 MLX 方案	强推荐作为第一候选	GitHub
CosyVoice / CosyVoice2	zero-shot voice cloning、cross-lingual cloning、预设音色	很强，含中文和方言能力	Apache-2.0	官方更偏 Linux/NVIDIA，本机 Mac 会折腾	强推荐，但更适合服务器后端	GitHub
Chatterbox Multilingual	zero-shot voice cloning，支持 audio prompt	支持中文	MIT	有 Mac 示例，支持 MPS，较适合本机试验	推荐，适合快速封装	GitHub
GPT-SoVITS	5 秒 zero-shot、1 分钟 few-shot、微调音色	中文生态成熟	MIT	支持 Apple Silicon，但流程偏重	推荐做克隆音色制作工作台	GitHub
IndexTTS2	zero-shot voice cloning，支持时长、情绪控制	强	许可证和商业使用需要额外确认	偏 CUDA/GPU，本机 Air 不友好	适合视频对口型/时长控制，但不建议本机主方案	GitHub
OpenVoice V2	instant tone-color cloning，偏音色迁移	支持	MIT，商用相对友好	轻量，可本地尝试	适合作为音色转换模块，通常要配合基础 TTS	GitHub
F5-TTS	zero-shot / few-shot 风格克隆	支持	代码 MIT，但常用预训练模型多为非商业许可	可本地跑，但需要实际调优	研究/个人测试可用，商业视频谨慎	GitHub
Fish Speech	10-30 秒 rapid voice cloning	强	Fish Audio Research License，商用需谨慎	模型较重，不适合 M4 Air 长时间跑	质量强，但不适合作为轻量本机 skill 首选	GitHub
VoxCPM / VoxCPM2	reference audio 克隆、可控语音生成	支持中文，多语言	Apache-2.0	官方更偏 CUDA/GPU	可作为服务器后端候选	GitHub
Zonos	10-30 秒 voice cloning	支持多语言，中文需实测	Apache-2.0	可尝试，但中文稳定性需验证	候选项，不是中文视频工作流第一梯队	GitHub
Coqui XTTS-v2	约 6 秒 voice cloning	支持中文	Coqui 项目已停更，模型许可需特别确认	可本地，但维护风险较高	老牌方案，当前不建议新项目重押	Hugging Face
Spark-TTS	zero-shot voice cloning	支持中文	CC BY-NC-SA，非商业风险明显	模型不算轻	只适合研究/个人试验	Hugging Face
StyleTTS2	zero-shot speaker adaptation	偏英文，中文弱	需逐项确认	研究向	不适合作为中文视频 skill 主方案	GitHub
MaskGCT / Amphion	zero-shot TTS / voice cloning 研究框架	支持但偏研究	需逐项确认	工程封装成本高	适合研究，不适合直接做生产 skill	GitHub
MegaTTS3	zero-shot voice cloning	支持	开放程度和使用限制需细看	未作为本机首选	值得关注，但成熟度和许可要再验证	GitHub
Confucius4-TTS	zero-shot voice transfer	支持 14 种语言，含中文	需逐项确认	官方偏 CUDA，新项目，成熟度待观察	观察项，不建议现在作为主方案	GitHub
ChatTTS	有音色/说话人控制能力，但不是标准本地克隆工作流	中文强	代码 AGPL，模型 CC BY-NC	可本地但生产限制多	不推荐作为视频生产 skill 主方案	GitHub

基于 M4 MacBook Air 16GB 的推荐

推荐

1. Qwen3-TTS + MLX / mlx-audio

2. Chatterbox Multilingual

3. GPT-SoVITS

4. Kokoro

不推荐在这台机器上作为主方案

• CosyVoice / VoxCPM / IndexTTS2：中文和效果强，但更偏 CUDA/GPU 或服务器环境，M4 Air 本地部署和长时间批量推理都不理想。

• F5-TTS / Spark-TTS / ChatTTS / Fish Speech：能力不错，但许可证、模型重量或生产约束更麻烦。

• StyleTTS2 / MaskGCT / Amphion / MegaTTS3 / Confucius4-TTS：更偏研究或新项目观察项，暂不适合作为稳定视频工作流主后端。

是否已经有成熟 skill 可直接用

目前没有发现这些公开库已经提供成熟的 Codex/Agent skill。它们已有的形态主要是：

• Python API

• WebUI / Gradio Demo

• CLI 示例

• Docker / FastAPI / gRPC 服务

• OpenAI-compatible server 或类似接口

因此，真正要嵌入视频工作流，需要单独封装一个 skill。建议 skill 的最小结构：

模块	作用
voices/registry.json	管理预设音色和克隆音色
scripts/list_voices.py	列出可用音色
scripts/clone_voice.py	导入参考音频并注册本地克隆音色
scripts/tts.py	单条文本转语音
scripts/render_batch.py	面向视频分镜/字幕的批量生成

建议路线

短期最稳的路线：

1. 用 Qwen3-TTS + MLX 做本机主引擎。

2. 用 Chatterbox 做克隆能力备选。

3. 用 GPT-SoVITS 制作高质量克隆音色资产。

4. 保留 Kokoro 做快速草稿和兜底。

5. 后续如果需要更强中文方言、情绪或时长控制，再把 CosyVoice / IndexTTS2 放到云 GPU 或独立服务器上。