轻量语音模型横评：从 15M 到 2B，什么场景选哪个

先说结论

• 要音质天花板、能商用：VoxCPM2（面壁智能，Apache-2.0）
• 要中文效果最好：CosyVoice3（阿里）或 Qwen3-TTS-1.7B（阿里）
• 要最低延迟、视频批量生产：Qwen3-TTS-1.7B（97ms 延迟）
• 要纯 CPU、1GB 内存就能跑：Hojo-TTS-Light-40M
• 要塞进树莓派/手机：KittenTTS（15M 参数）或 Piper
• 要文字描述捏声音：Parler-TTS
• 不想部署、直接调 API：Gemini 3.8 Flash TTS

第一梯队：能打的开源大模型

VoxCPM2（OpenBMB/面壁智能，清华系）
2B 参数，tokenizer-free 架构（不做离散 token 化，直接生成连续语音表征），48kHz 录音棚级输出。30 种语言 + 9 种中文方言（四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南话），5–10 分钟音频就能 LoRA 微调克隆特定音色。35k star，拿过 GitHub Trending 日榜第一，Apache-2.0 可商用。RTF 约 0.3（4090），Nano-vLLM 加速后约 0.13，可流式。生态全：ComfyUI 节点、llama.cpp-omni 端侧推理、vLLM-Omni 生产部署。

Qwen3-TTS-1.7B（阿里）
延迟最低的一档：97ms。中文 CER 和英文 WER 都是开源前列，支持流式 + vLLM 生产部署。做视频批量生产、实时语音 agent，这是目前最顺手的开源选择。

CosyVoice3（阿里）
中文内容一致性（CER 0.71）开源第一，方言覆盖广。中文播客、有声书、短视频配音，闭眼选它。

第二梯队：轻量到离谱

Hojo-TTS-Light-40M
40M 参数，预转成 ONNX，纯 CPU 跑，1GB 内存就能用，树莓派、安卓 Termux、旧笔记本全行。中英混合单模型，还带 OpenAI 兼容 API，直接把 OpenAI SDK 的 base_url 一换就能用。RTF 约 0.3–0.7，15 个内置音色。

KittenTTS
15M 参数，模型文件不到 25MB，Apache-2.0，任何设备 CPU 直跑，还支持零样本克隆。边缘设备的终极答案。

Piper / Kyutai Pocket TTS
Piper 是树莓派实时语音的老朋友；Kyutai Pocket TTS 100M 参数，CPU 实时，单命令部署。智能音箱、端侧语音助手看这俩。

Parler-TTS Mini（880M）
特色是“文字捏声音”：不用参考音频，用自然语言描述（性别、语速、音调、环境）生成音色。英文旁白质量高。

API 派：Gemini 3.8 TTS

Google 2026 年 9 月 23 日发布的 Gemini 3.8 Flash TTS / Flash-Lite TTS：100+ 语言，自然语言提示定制声线，30 秒音频克隆（带语音同意验证 + SynthID 水印），2000+ 可直接投产的声线。Hume AI 的 Voice Design Benchmark 拿第一（71.4 分）。不想自己部署的人，直接调 API。

怎么选

记住一条线：音质和体积成正比，延迟和体积成反比。生产级内容（播客/有声书）选 VoxCPM2 或 CosyVoice3；实时交互选 Qwen3-TTS；端侧/离线选 Hojo-TTS-Light 或 KittenTTS；不想折腾选 Gemini API。开源 TTS 和 ElevenLabs 的音质差距，2026 年基本抹平了，差的只是你愿不愿意花一下午部署。