Coqui · 已发布,本站供应商暂无
XTTS v2(2026):Coqui 的声音克隆 TTS 模型是什么、语言、硬件、论文结果和仅限非商业的许可
XTTS v2 是 Coqui 2023 年发布的开放权重语音合成模型,用一段简短的参考片段就能克隆声音,支持 17 种语言、24 kHz 输出,但它的 Coqui Public Model License 只允许非商业使用;本站是文字聊天而不是语音生成,所以无法运行它。
现在就用
聊天
这个聊天默认使用 Qwen3.8 Flash,不是 XTTS v2。
- 厂商
- Coqui
- 类型
- 文字
- 发布
- 未注明日期
- OpenRouter id
- 无
已核对
XTTS v2:事实与来源
- Hugging Face 仓库 coqui/XTTS-v2 创建于 2023 年 10 月 31 日;模型文件从 2023 年 11 月 6 日起上传,之后又有新检查点(11 月 24 日标题为“Update to v2.0.3”的提交和 12 月 1 日标题为“Update model with more steps”的提交),最后一次提交是 2023 年 12 月 11 日。模型卡没有写发布日期,所以我们只把 2023 年 10 月 31 日当作仓库创建日。来源: huggingface.co · 核对于 2026-11-19
- 模型卡把 XTTS 描述为一个声音生成模型,只用一段 6 秒的音频就能克隆声音,支持通过克隆做情绪和风格迁移、跨语言克隆和多语言生成,采样率 24 kHz。它列出 17 种语言:英语、西班牙语、法语、德语、意大利语、葡萄牙语、波兰语、土耳其语、俄语、荷兰语、捷克语、阿拉伯语、中文(zh-cn)、日语、匈牙利语、韩语和印地语。相比 XTTS-v1,它新增了匈牙利语和韩语,改进了说话人条件,支持多个说话人参考并在说话人之间插值,也提升了稳定性和韵律。来源: huggingface.co · 核对于 2026-11-19
- Coqui 自己的 XTTS 文档页列出 16 种语言(即模型卡的列表去掉印地语),并说只要一段 3 秒的音频就能克隆声音,而模型卡写的是 6 秒;文档还列出延迟低于 200 ms 的流式推理(没有写明硬件)、微调支持,以及用一个或多个参考文件克隆。模型卡与文档在语言数和片段长度上的差异我们无法统一。来源: tts.readthedocs.io · 核对于 2026-11-19
- Coqui 作者撰写的 XTTS 论文(Interspeech 2024)描述了三个部分:13M 参数的 VQ-VAE;443M 参数、类 GPT-2 的仅解码器编码器,从文本和条件编码器预测音频码;以及 26M 参数、以说话人嵌入为条件的 HiFi-GAN 解码器,输出 24 kHz。论文称训练数据共 27,281.6 小时、覆盖 16 种语言,其中英语 14,513.1 小时,在四块 NVIDIA A100 80 GB 上训练约 250 万步。来源: arxiv.org · 核对于 2026-11-19
- 仓库文件列表显示 model.pth 为 1,867,929,118 字节(约 1.87 GB),dvae.pth 为 210,514,388 字节,speakers_xtts.pth 为 7,754,818 字节,另有 config.json、vocab.json 和 mel_stats.pth。模型卡展示了三种运行方式,都通过 Coqui 的 TTS 工具包:Python API(TTS("tts_models/multilingual/multi-dataset/xtts_v2", gpu=True),再用 tts_to_file 传入 speaker_wav 参考和语言)、带 --use_cuda 的 tts 命令行,以及用 Xtts 类直接加载检查点。模型卡和论文都没有给出 GPU 显存、CPU 或实时率数字。来源: huggingface.co · 核对于 2026-11-19
- Coqui 自己的网站,在 2024 年 3 月 3 日的存档里只有一条消息:“Coqui is shutting down.”(Coqui 正在关闭)。不过模型卡仍把 XTTS 描述为与驱动 Coqui Studio 和 Coqui API 的模型相同或相似,并附有演示空间和社区渠道的链接。来源: web.archive.org · 核对于 2026-11-19
- 我们在 2026 年 11 月 19 日检查时,模型卡上的许可链接 coqui.ai/cpml 返回的是 GitHub Pages 的“Site not found”错误,所以许可全文只能读仓库自己的 LICENSE.txt(或存档副本)。来源: coqui.ai · 核对于 2026-11-19 · 二手
- 运行 XTTS 的工具包 coqui-ai/TTS 的 GitHub 仓库没有被归档,代码采用 Mozilla Public License 2.0,这与适用于 XTTS-v2 权重的 CPML 是不同的许可;GitHub 的数据显示它最后一次推送在 2024 年 8 月 16 日。来源: api.github.com · 核对于 2026-11-19 · 二手
- XTTS v2 不在 OpenRouter 的模型列表里(2026 年 11 月 19 日核对),而本站是与语言模型的文字聊天,所以无法用它生成语音。本站可以和 Qwen3.8 Flash、Inkling 2 Small、Hy4 Flash 这类小型文字模型聊天。来源: openrouter.ai · 核对于 2026-11-19 · 二手
本站表格
XTTS v2 的许可:Coqui Public Model License 允许什么、不允许什么
- 仓库 LICENSE.txt 里的 Coqui Public Model License 1.0.0 说它“只允许对机器学习模型及其输出做非商业使用”。非商业目的包括:为研究、实验、测试、个人学习、私人娱乐、业余爱好或宗教活动的个人使用;营利实体为测试、评估或非商业研发的使用;慈善组织为慈善目的或测试的使用;以上每一种都只限于你没有因使用模型或其输出而获得直接或间接报酬。来源: huggingface.co · 核对于 2026-11-19
- 同一份许可还说,用于产生收入的活动(包括由政府拨款直接资助的项目)不属于非商业目的,用模型训练用于商业的其他模型也不属于。凡从你这里拿到模型、修改版或其输出的人,也必须拿到条款或其网址;许可不能转授权或转让;如果你书面声称模型侵犯专利,许可立即终止;收到第一次书面违规通知后,你有 30 天恢复合规,否则许可终止;模型及其输出不附带任何担保。来源: huggingface.co · 核对于 2026-11-19
许可
用大白话讲 XTTS v2 的许可(Coqui Public Model License 1.0.0)
用 XTTS v2 之前,第一件要看的就是许可:它涵盖权重及其输出,只允许非商业使用。公司可以测试和评估,但任何带来收入的用途,包括由拨款资助的项目,都在许可之外。如果你的计划需要商业权利,可以看看采用 Apache 2.0 的模型,比如 ZONOS3-Mini 或更小的 Kitten TTS 2 Mini,同样要读它们的许可。
| 用途 | 结论 | 细节 |
|---|---|---|
| 个人研究、测试和学习 | 允许 | 实验、测试、个人学习;前提是你没有从模型或其输出获得直接或间接报酬 |
| 爱好、私人娱乐、宗教活动 | 允许 | 爱好项目、业余活动和私人娱乐,同样以没有报酬为条件 |
| 营利公司 | 仅限测试 | 测试、评估或非商业研发;用它训练用于商业的其他模型不被允许 |
| 慈善组织 | 慈善目的允许 | 慈善目的、测试或评估;产生收入的活动不在其内 |
| 产生收入的活动 | 不允许 | 包括由政府拨款直接资助的项目 |
| 转交他人 | 须附条款 | 从你这里拿到模型、修改版或其输出的人必须拿到条款或其网址;你不能转授权或转让你的许可 |
| 违反条款时 | 30 天内纠正 | 收到第一次书面通知后,你有 30 天恢复合规并纠正过去的违规,否则许可终止 |
| 针对模型的专利主张 | 许可终止 | 书面声称模型侵犯专利,你的许可立即终止 |
| 担保 | 无 | 模型及其输出按现状提供,不附担保,许可方不承担损害赔偿责任 |
本站表格
论文中 XTTS v2 的英语结果:错误率、自然度和说话人相似度,对比其他模型
- 在论文的英语测试中(240 句 FLORES+ 句子,参考来自 20 位 DAPS 说话人,字符错误率用 Whisper large-v3,自然度用 UTMOS,说话人相似度用 ECAPA2 余弦相似度),XTTS 的 CER 为 0.5425、UTMOS 为 4.007、说话人相似度为 0.6423,对比 Tortoise(1.0934、4.0883、0.5492)和 HierSpeech++(0.7741、4.457、0.6530)。在听者偏好测试中,作者报告 XTTS 在自然度、音质和拟人度上优于 HierSpeech++ 和 Mega-TTS 2(在 -2 到 +2 的量表上比较得分分别为 0.41 和 0.92),在说话人相似度上略逊(-0.31 和 -0.39)。这些是作者自己的结果,我们没有复现;论文链接的是仓库的 v2.0.2 标签,所以它们未必完全对应当前的权重。来源: arxiv.org · 核对于 2026-11-19
论文数字
XTTS v2 所属论文的英语测试:XTTS 对比其他零样本语音模型
这篇论文写于 2024 年中,拿 XTTS 与当时的开放模型比较,所以它没有涉及 ZONOS3-Mini 这类 2026 年的模型。它的英语一行显示 XTTS 的错误率很低,自然度和说话人相似度处于中游;作者自己也指出 HierSpeech++ 的自然度得分更好。请把这张表当作 2023-2024 年开放声音克隆的一个快照。
| 模型 | 字符错误率 | UTMOS | 说话人相似度 |
|---|---|---|---|
| 真实录音 | 未给出 | 4.2775 ± 0.15 | 0.8952 |
| XTTS(论文实验 3) | 0.5425 | 4.007 ± 0.25 | 0.6423 |
| Tortoise | 1.0934 | 4.0883 ± 0.31 | 0.5492 |
| StyleTTS 2 | 0.6789 | 4.4260 ± 0.07 | 0.4728 |
| Mega-TTS 2 | 1.4269 | 4.184 ± 0.17 | 0.6428 |
| HierSpeech++ | 0.7741 | 4.457 ± 0.06 | 0.6530 |
| 原版 YourTTS | 2.8736 | 3.6034 ± 0.29 | 0.4621 |
本站表格
XTTS v2 的语言:论文中 16 种语言的错误率和说话人相似度
- 在论文多语言测试的 16 种语言上,XTTS 的字符错误率平均为 2.0646、说话人相似度平均为 0.5046,用同样数据训练的 YourTTS 则是 4.7949 和 0.4704;英语最低(0.5425),日语(5.3748)、中文(5.2016)和韩语(4.0647)最高。论文自己的表格里,德语和西班牙语的错误率是 YourTTS 更好,作者的说法是 XTTS 在几乎所有语言上错误率和说话人相似度更好。论文评估的是 16 种语言,而不是模型卡上的 17 种。来源: arxiv.org · 核对于 2026-11-19
按语言
XTTS v2 分语言的字符错误率和说话人相似度,对比用同样数据训练的 YourTTS
模型卡的语言列表比论文测试的要长,所以印地语完全没有印出来的分数。分数的差距很大:论文里英语的错误率大约只有日语和中文的十分之一。如果需要这十六种之外的语言,列表更宽的模型,比如列出 43 种语言的 ZONOS3-Mini,可能更合适。如果你只需要文字,可以在这里与小模型聊天。
| 语言 | XTTS 字符错误率 | XTTS 说话人相似度 | YourTTS 错误率 |
|---|---|---|---|
| 阿拉伯语(ar) | 3.3503 | 0.5007 | 11.1713 |
| 捷克语(cs) | 1.3295 | 0.4655 | 4.0174 |
| 德语(de) | 3.1694 | 0.5175 | 2.2411 |
| 英语(en) | 0.5425 | 0.6423 | 2.9727 |
| 西班牙语(es) | 1.4606 | 0.5371 | 1.0926 |
| 法语(fr) | 1.4937 | 0.4799 | 3.3965 |
| 匈牙利语(hu) | 1.4622 | 0.4570 | 4.5098 |
| 意大利语(it) | 0.7982 | 0.5008 | 1.7010 |
| 日语(ja) | 5.3748 | 0.5207 | 10.2808 |
| 韩语(ko) | 4.0647 | 0.4760 | 8.8567 |
| 荷兰语(nl) | 0.946 | 0.4825 | 3.4228 |
| 波兰语(pl) | 0.7593 | 0.4833 | 1.5925 |
| 葡萄牙语(pt) | 1.1068 | 0.5033 | 1.5481 |
| 俄语(ru) | 0.932 | 0.5012 | 2.8566 |
| 土耳其语(tr) | 1.042 | 0.5031 | 2.6367 |
| 中文(zh-cn) | 5.2016 | 0.5023 | 14.4220 |
| 16 种语言平均 | 2.0646 | 0.5046 | 4.7949 |
上线时通知我
登录后点按钮:只保存你的账号和这个模型,不存其他资料。目前还不会发送邮件。
最接近的可用模型
现在可用的 XTTS v2 替代选择
Qwen3.8 Flash
Alibaba$0.15 / $0.47 (每百万 token)
- Alibaba 对 qwen3.8-flash 的定价为每百万输入/输出 token 0.15/0.47 美元(新加坡、欧盟、香港和美国区)。来源: docs.qwencloud.com · 核对于 2026-11-13
- 在 OpenRouter 上的 id 为 qwen/qwen3.8-flash,每百万 token 0.15/0.47 美元。来源: openrouter.ai · 核对于 2026-11-13
Inkling 2 Small
Thinking Machines Lab$0.30 / $1 (每百万 token)
- Thinking Machines Lab 于 2026 年 11 月 5 日发布 Inkling 2 Small,并在其 Tinker 平台上提供。来源: thinkingmachines.ai · 核对于 2026-11-14
- 混合专家(MoE)模型,总参数 594B、激活 17B,支持图片输入和可调推理强度。来源: thinkingmachines.ai · 核对于 2026-11-14
- 输入文字和图片、输出文字;上下文最多 100 万 token;每个 token 路由到 384 个专家中的 8 个。来源: huggingface.co · 核对于 2026-11-14
Hy4 Flash
Tencent$0.04 / $0.14 (每百万 token)
- 腾讯 2026 年 11 月 16 日的 Hy4 flash 公告称它是 Hy 模型家族的最新成员。腾讯建议把它用于大多数日常任务(深度研究、文档处理、生成 PPT、简单前端工作、电脑操作),长程软件工程等复杂任务则建议用 Hy4。腾讯云 API 指南称它是“更精简、更高效的日常主力”(原文为英文)。来源: tencent.com · 核对于 2026-11-17
- 腾讯公告日期为 2026 年 11 月 16 日,腾讯云上 hy4-flash 的模型、价格和 API 页面也在同一天更新。公告只说 Hy4 flash 现已可用,没有单独写明发布日期或版本名。来源: tencent.com · 核对于 2026-11-17
- 腾讯称 Hy4 flash 总参数 224B(含 64B Engram 参数),激活 12B,上下文最长 1M token,支持多模态输入;公告没有写最大输出和输出类型。腾讯还称它的 KV 缓存是 Hy4 的 1/6,解码速度超过每秒 150 token。这些是腾讯自己的数据,我们没有测试。来源: tencent.com · 核对于 2026-11-17
FAQ
XTTS v2 常见问题
XTTS v2 是什么?
XTTS v2 是 Coqui 的多语言声音克隆语音合成模型。它的 Hugging Face 模型卡说,它能用一段 6 秒的片段克隆声音,通过克隆迁移情绪和风格,支持跨语言,输出 24 kHz 音频,共 17 种语言。仓库创建于 2023 年 10 月 31 日,最后一次提交是 2023 年 12 月 11 日。
XTTS v2 可以商用吗?
按它的许可不行。Coqui Public Model License 1.0.0 只允许对模型及其输出做非商业使用:个人研究、测试、爱好、营利公司的测试与评估,以及慈善用途。产生收入的活动(包括拨款资助的项目)不在其内,用它训练用于商业的其他模型也不行。这是我们的概括,不是法律意见;请阅读仓库里的 LICENSE.txt。
Coqui 后来怎么了?XTTS v2 还有人维护吗?
Coqui 自己的网站在 2024 年 3 月 3 日的存档里说公司正在关闭,而模型卡上的许可链接 coqui.ai/cpml 在我们 2026 年 11 月 19 日检查时返回“Site not found”错误。工具包仓库 coqui-ai/TTS 没有被归档,但 GitHub 显示它最后一次推送在 2024 年 8 月 16 日,模型仓库的最后一次提交是 2023 年 12 月 11 日。
XTTS v2 需要什么硬件?速度如何?
主权重文件 model.pth 约 1.87 GB,模型卡通过 Coqui 的 TTS 工具包运行模型,并提供 GPU 开关(gpu=True 或 --use_cuda)。Coqui 的文档宣称流式推理延迟低于 200 ms,但没有写明硬件;模型卡和论文也没有给出内存或实时率数字,所以我们说不出你需要什么 GPU。论文是在四块 NVIDIA A100 80 GB 上训练的。
XTTS v2 有多好?
按论文自己的英语测试(我们没有复现),XTTS 的字符错误率为 0.5425、UTMOS 为 4.007、说话人相似度为 0.6423,在 16 种语言上平均错误率为 2.0646。它的错误率优于 Tortoise,自然度落后于 HierSpeech++。这些数字是 2024 年的,来自论文所链接的 v2.0.2 检查点而不一定是当前权重,也不包括 ZONOS3-Mini 这类更新的模型。
XTTS v2 能克隆声音吗?同意问题怎么办?
能,这正是它的主要功能:用一个或多个录音的简短片段克隆。只使用已经同意的人的录音,不要把生成的语音冒充成真人,并留意你所在地的规定。许可没有提到同意,这段提醒是我们加的,不是 Coqui 说的。
能在这里用 XTTS v2 生成语音吗?
不能。本站是与语言模型的文字聊天,无法用 XTTS v2 或任何语音模型生成音频,而且该模型不在 OpenRouter 的列表里。要文字的话,在本站与 Inkling 2 Small 的一次典型回复约 1 个积分(一个积分约 $0.01,按 $5 档计算),按真实 token 成本计费,最低 1 个积分。Hy4 Flash 是另一个小模型。
这是 Coqui 的官方网站吗?
不是。本页为非官方页面,与 Coqui 无关,也未获其认可。事实链接到我们读过的页面。