开源语音克隆大全:GPT-SoVITS / ChatTTS / RVC 怎么选

更新于 2026-08-06。star 数对着 GitHub 仓库核过。

先说结论:想用一分钟音频克隆某个人的声音,选 GPT-SoVITS(★59,863,MIT);想给短视频做自然对话配音,ChatTTS(★39,664)更对路;要做直播实时变声,RVC(★37,000,MIT)是标准答案。三个都是开源的,但干的事完全不一样。

先搞清楚:你要的是哪种"声音处理"

大部分人把语音克隆、配音、变声混为一谈,实际上这是三件事:

• 语音克隆 = 拿一小段音频,复制出某个人的音色,让 TA"说"你没录过的话
• 配音合成 = 文字转语音,声音好听、自然,但不追求像谁
• 实时变声 = 说话的同时,声音变成另一个音色,直播场景

三件事,三个工具,别买错。

GPT-SoVITS:一分钟克隆,效果比我预期好

★59,863 · MIT

这是目前开源语音克隆里效果最接近"商用"的一个。你只需要一分钟的参考音频(最好是人声干净、没背景音乐的那种),它就能学会那个人的音色和说话习惯,然后你说什么,它就"说"什么。

我实测:拿了一段 40 秒的清晰人声,克隆完让 TA 念一段完全没听过的稿子,发音、停顿、语气词都有那个人的味道。不是完美,但第一次听到的时候我确实愣了一下。

MIT 协议,商用友好。想给短视频做"数字人配音"、给有声内容做批量朗读,这个最合适。注意参考音频的质量直接决定克隆效果——噪音大的音频,神仙也救不回来。

ChatTTS:对话场景的配音专家

★39,664 · AGPL-3.0

ChatTTS 专为对话设计。它的优势是自然度——语气词、停顿、情绪起伏,听起来像真人在说话,而不是播音腔念稿。短视频口播、产品介绍、客服话术,这类"要自然"的配音,它比通用 TTS 强一截。

注意它的协议是 AGPL-3.0:如果你拿它做对外提供的网络服务(SaaS),代码得跟着开源。自己用、给客户出成品音,没问题;做成服务卖,先想清楚。

RVC:直播变声的事实标准

★37,000 · MIT

RVC(Retrieval-based Voice Conversion)是实时变声的老牌方案。直播、游戏、语音房场景用得最多——你说话,输出的是目标音色,延迟低到不影响对话。它还支持音色转换之外的花活,比如把歌声转成另一个人的声音。

MIT 协议,商用没坑。想靠"声音整活"做直播内容,这个是首选。

三个一起用会怎样

这几个不是互斥的,反而是流水线关系:

• 用 GPT-SoVITS 克隆出目标音色 → 把文案交给它批量生成配音
• 对话感更强的场景用 ChatTTS 直接出音
• 直播用 RVC 实时变声,效果不够再拿克隆音色来喂它

配合 yt-dlp(★180,000)下素材、MoneyPrinterTurbo 做无人视频流水线,一条"脚本→配音→成片"的链路就齐了,一个人能顶一个小团队。

说句实话

开源语音工具这几年的进步是真的快,快到你去年觉得"AI 声音一听就假",今年已经分不清了。但有三件事永远要记住:

• 参考音频的质量决定一切,别拿噪音素材挑战工具极限
• 商用前看协议:MIT 随便用,AGPL-3.0 做服务要开源,别等上线了才被发现
• 合成的边界:克隆声音做内容前,先想清楚素材来源合不合法——用别人的声音整活,后果自负

以上工具在 AI工具超市 都有开箱即用安装包,附安装说明和技术支持,不用自己折腾环境。就这些,有补充的评论区见。