MockingBird

微软开源的前沿语音 AI 模型，51.4K+ stars。支持高质量语音合成与声音克隆，适用于多语种 TTS 与语音交互场景

🎯机器人控制、仿真与边缘部署、语音合成与实时语音交互

Voicebox 是开源的语音合成工作室，提供高质量的文本转语音 (TTS) 能力。支持多语言、多音色、情感化语音生成，22,208 stars（周增 5,198 星）。与商业 TTS 服务不同，Voicebox 完全开源可自部署，提供 Web UI 和 API 两种使用方式。支持声音克隆（少量样本即可）、实时流式输出、SSML 标记语言控制韵律和语调，是播客制作、有声书生成、游戏配音和 AI 语音助手的理想选择

🎯播客/有声书自动化、游戏 NPC 配音、AI 语音助手、视频内容配音、无障碍朗读

日常对话生成语音模型，39,109+ stars。专为对话场景优化的文本转语音模型，生成自然流畅的语音，支持多种声音风格和情感表达

🎯语音合成与实时语音交互

VoxCPM2 是由清华大学和 OpenBMB 联合开源的无 Tokenizer 语音合成模型。不同于传统 TTS 模型先将文本转为 token 再生成语音的流程，VoxCPM2 直接从字符映射到音频波形，消除了 Tokenizer 环节带来的信息损失。2B 参数规模，支持 30 种语言、48kHz 录音棚级音质、零样本语音克隆（仅需 3 秒参考音频即可复刻音色）和创意声音设计。GitHub 15K+ stars，是 2026 年最值得关注的开源 TTS 项目之一。与 Voicebox 互补——VoxCPM2 偏重学术创新和无 Tokenizer 架构探索，Voicebox 偏重工程实用和用户体验

🎯开源 TTS 研究、中文语音合成、有声书/播客自动化、语音克隆实验、AI 助手语音输出、多语言内容本地化配音

工业级可控高效 TTS，4.4K+ stars。工业级可控高效的零样本文本转语音方案，支持语音克隆和风格控制

🎯机器人控制、仿真与边缘部署、语音合成与实时语音交互

阿里 FunAudioLLM 多语言语音生成大模型，提供推理、训练和部署全栈能力，支持跨语种合成和声音克隆。

🎯多语言语音合成、声音克隆、实时语音交互