问：完全免费又能商用的开源语音克隆选哪个？

首选 OpenVoice v2，MIT 许可证从 2024 年 4 月起允许免费商用，原生支持 6 种语言且能跨语言克隆，显存只要 2 到 3 GB，最适合个人创作者和中小企业。

问：只想做中文配音、要自然度最高，用哪款？

F5-TTS 的 MOS 自然度约 4.3 在三者里最高，基础检查点本就用中文训练，5 到 15 秒样本即可克隆。注意预训练权重是 CC-BY-NC-4.0，非商业用途放心用，商用要规避授权或用自有数据微调。

问：需要一次支持十几种语言怎么办？

XTTS v2 官方支持 17 种语言广度第一，但许可证是 CPML 且官方已归档，适合个人和研究。若想商用多语言，OpenVoice v2 的跨语言克隆是更稳的合规选择。

问：最便宜的 GPU VPS 怎么选？

性价比优先看 Contabo 的 RTX 3090/4090 机型，月付价格低、显存 24GB 足够；需要高并发和按小时弹性则看 Vultr 的 A10/L40S 实例。两者都能流畅跑这三款模型。

2026 开源 TTS 语音克隆实测：XTTS v2 / OpenVoice / F5-TTS 在 VPS 上自托管部署与成本

2026-08-16 · DevCraft Studio

实测对比 XTTS v2、OpenVoice v2、F5-TTS 三款开源语音克隆方案，讲清许可证、多语言、硬件需求与成本，并给出 VPS GPU 与 FastAPI 部署方法。

延伸阅读

为什么 2026 是自托管语音克隆的拐点

过去一年里，开源语音克隆的质量第一次真正追上了商业 API。社区排行榜上 F5-TTS、OpenVoice v2、XTTS v2 的 MOS 自然度分数已经接近 ElevenLabs 的 4.5，而单位成本只有商业 API 的 1/50 到 1/200。对做配音、播客、无障碍和有声内容的创作者来说，这意味着你可以用一台几十美元一个月的 GPU 服务器，把原来按字符计费的账单直接干掉。

更关键的是数据主权。自托管之后，参考音频和合成文本都留在你自己的机器上，不会上传到第三方。对隐私敏感的场景（比如为家人做语音辅助、企业内部培训配音）这几乎是必选项。本文把三款最常被搜到的开源方案放在一起实测对比，重点讲清楚三个最容易踩坑的地方：许可证能不能商用、多语言到底支持到什么程度、以及到底要买多大显存的 VPS。

三款方案一句话速览

XTTS v2：Coqui 出品的标杆级开源克隆模型，官方支持 17 种语言，3 到 6 秒样本即可克隆，但 Coqui 公司已于 2024 年 1 月关闭，仓库已归档，现在靠社区分支维护。
OpenVoice v2：MyShell 出品，MIT 许可证可免费商用，原生支持英、西、法、中、日、韩 6 种语言，最大亮点是音色编码器与语言解耦，能做零样本跨语言克隆，还支持情绪和口音控制。
F5-TTS：SWivid 团队基于 Flow Matching 加 DiT 架构的后来者，MOS 自然度约 4.3 在三者里最高，基础检查点主要用英文和中文训练，5 到 15 秒样本即可零样本克隆，代码是 MIT，但预训练权重因训练数据受 CC-BY-NC-4.0 限制。

许可证与商用可行性（避坑重点）

这是绝大多数教程不会讲明白、但最容易让产品翻车的地方，务必先看清。

OpenVoice v2：MIT 许可证，从 2024 年 4 月起 V1 和 V2 都允许免费商用，最省心。只要你不打包重新发布修改版去坑人，基本没有限制。
F5-TTS：代码 MIT，但预训练权重是 CC-BY-NC-4.0，原因是用了 Emilia 等数据集训练。这意味着个人、研究、非商业用途完全没问题；如果你要做商业语音产品，需要先确认你的用途是否落在非商业限制之外，或者计划用自己的合规音频做微调、训练出你可以自行授权权重的模型。很多新手直接拿官方权重上线收费服务，这里要小心。
XTTS v2：使用 Coqui Public Model License（CPML），非商业用途免费，商业用途需要 Coqui 的付费授权。网上有时会写成 MPL 2.0，那是对旧版 Coqui TTS 框架的混淆，模型权重本身是 CPML。加上公司已经关闭、官方授权通道不再活跃，商用风险最高，建议只用于个人和研究。

一句话总结：要免费且安心商用，优先 OpenVoice v2；做研究和中文内容，F5-TTS 质量最好但要规避商业限制；XTTS v2 多语言最全但授权最麻烦。

多语言支持对比

XTTS v2：17 种语言，覆盖英、西、法、德、意、葡、波、土、俄、荷、捷、阿、中、日、匈、韩、印地，广度第一。
OpenVoice v2：原生 6 种（英、西、法、中、日、韩），但架构上支持零样本跨语言，你用中文样本也能让它说英文、日文，口音也能切换。
F5-TTS：基础检查点主要覆盖英文和中文，其他语言靠社区微调检查点，质量参差。如果你主要做英中双语，F5-TTS 体验最好。

实测里跨语言最稳的是 OpenVoice v2，因为它把音色（tone color）单独编码，和语种解耦；F5-TTS 跨语言会有些口音串味；XTTS v2 则是语种本身就在训练集里所以切换自然。

硬件与 VRAM 需求

三款模型都不算显存怪物，这是它们能在廉价 VPS 上跑起来的前提。

F5-TTS：FP16 下约 2 到 3 GB 显存，RTX 4090 上实时因子约 5 倍（即 1 秒音频约 0.2 秒算完）。最低 6 GB 显存即可，8 GB 以上更稳。
OpenVoice v2：约 2 到 3 GB 显存，是三者里最轻的，RTX 4090 上实时因子约 8 倍，RTX 3060（12GB）约 4 倍，连 Apple M4 Max 的 MPS 都能跑到约 3 倍。
XTTS v2：约 480M 参数，显存占用略高，在 A10G（24GB）上约 3 到 4 倍实时。社区反馈 8 到 12 GB 显存可用。

也就是说，一张 RTX 3060 12GB 或者云端的 L4、A10 这类入门 GPU 就足以流畅推理。CPU 也能跑但很慢（实时因子 0.3 到 0.5 倍），只适合离线批处理。

成本：自托管 vs 商业 API

成本差异是这篇文章的核心。按每百万字符估算：

ElevenLabs 高端档约 165 美元，标准档约 110 美元。
OpenAI TTS-1-HD 约 30 美元，TTS-1 约 15 美元。
Google Cloud 标准档约 4 美元，Azure 神经档约 16 美元。
自托管 F5-TTS 有效成本约 2 美元，XTTS v2 约 2.5 美元，Kokoro 约 0.5 美元（但 Kokoro 不做克隆）。

大头其实是 GPU 服务器租金。以常见配置算，一台带 RTX 4090 或 L40S 的按需 GPU VPS 约 0.4 到 0.8 美元每小时，如果你每月合成几百万字符，平摊下来单位成本轻松压到商业 API 的几十分之一。量越大，自托管越划算。

在 VPS 上部署：以 Vultr 和 Contabo 为例

选 GPU VPS 主要看显存和单价。两家很适合作为例子：

Vultr：提供 A100、A10、L40S 等按需 GPU 实例，按小时计费，镜像市场有带 CUDA 的 PyTorch 模板，适合跑高并发批处理，网络和中国大陆连通性一般但全球节点多。
Contabo：GPU VPS 性价比突出，常见机型带 RTX 3090 或 RTX 4090，显存 24GB，月付价格比同类低一截，适合个人创作者长期挂着跑，性价比优先可以选它。

系统建议用 Ubuntu 22.04，先装好 NVIDIA 驱动和 CUDA 12.x，再装 NVIDIA Container Toolkit，这样后面用 Docker 跑模型最省事。下面以 F5-TTS 的 GPU Docker 为例。

docker run --rm -it --gpus all \
  --mount type=volume,source=f5-tts,target=/root/.cache/huggingface/hub/ \
  -p 7860:7860 \
  ghcr.io/swivid/f5-tts:main f5-tts_infer-gradio --host 0.0.0.0

把模型缓存挂到 volume，重启容器就不会每次重新下载几 GB 权重。生产环境建议改成 FastAPI 服务而不是 Gradio UI，后面给示例。

用 FastAPI 把模型封装成服务

无论是 F5-TTS 还是 OpenVoice，真正接入业务都需要一个 REST 接口而不是手动点网页。下面给一个最小的 F5-TTS FastAPI 封装：

from fastapi import FastAPI
from f5_tts import F5TTS
import tempfile

app = FastAPI()
tts = F5TTS(device="cuda")

@app.post("/generate")
def generate_speech(text: str, ref_audio_path: str, ref_text: str):
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        tts.generate(
            text=text,
            ref_audio=ref_audio_path,
            ref_text=ref_text,
            output_path=f.name,
        )
    return {"audio_path": f.name}

OpenVoice v2 的封装思路类似，只是多一步音色提取（tone color）。它把参考音频先过一次音色编码器拿到 speaker embedding，再和基模型生成的音频做转换：

from openvoice import api

base_speaker_tts = api.BaseSpeakerTTS(
    "checkpoints_v2/base_speakers/EN/config.json", device="cuda")
base_speaker_tts.load_ckpt("checkpoints_v2/base_speakers/EN/checkpoint.pth")

tone_color_converter = api.ToneColorConverter(
    "checkpoints_v2/converter/config.json", device="cuda")
tone_color_converter.load_ckpt("checkpoints_v2/converter/checkpoint.pth")

target_se, _ = api.se_extractor.get_se("reference.wav", tone_color_converter)

base_speaker_tts.tts(text="你好，这是一段测试。", output_path="base.wav",
    speaker="default", language="Chinese", speed=1.0)

tone_color_converter.convert(audio_src_path="base.wav",
    src_se=base_speaker_tts.hps.data.spk2id["default"],
    tgt_se=target_se, output_path="output.wav")

暴露成接口时，把 reference.wav 的 speaker embedding 缓存起来，同一个声音反复合成就不用每次重新提取，延迟能从几百毫秒降到几十毫秒。

F5-TTS 实战：几秒样本克隆声音

F5-TTS 默认检查点就是零样本克隆，不需要单独开模式。准备一段 5 到 15 秒、干净、单人、少噪声的参考音频，并准备好它的准确文字稿，然后这样调用：

from f5_tts import F5TTS

tts = F5TTS(device="cuda")
tts.generate(
    text="这是用克隆音色说出的全新内容。",
    ref_audio="reference_voice.wav",
    ref_text="这是参考音频里念出的原文。",
    output_path="cloned_output.wav",
)

实测要点：参考音频质量比长度更重要，干净的单人短录音比一段长但嘈杂的录音克隆更稳。留空 ref_text 会让它调用 ASR 自动转写，但会多吃显存且可能转错，建议自己给准稿。中文内容建议用中文参考样本，英文用英样本，跨语种会有口音串味。

OpenVoice v2 实战：跨语言加情绪控制

OpenVoice v2 最香的是情绪和口音控制，以及跨语言。下面的例子用中文参考音，生成日文输出但保持同一音色：

base_speaker_tts.tts(
    text="こんにちは、これはテストです。",
    output_path="base_ja.wav",
    speaker="default",
    language="Japanese",
)
tone_color_converter.convert(
    audio_src_path="base_ja.wav",
    src_se=base_speaker_tts.hps.data.spk2id["default"],
    tgt_se=target_se,
    output_path="output_ja.wav",
)

情绪控制则改 speaker 参数为 cheerful、sad、angry、whispering 等，同一句话八种情绪，非常适合游戏 NPC 和有声书角色配音。注意情绪标签是作用在基模型上的，最后再统一转换到目标音色。

XTTS v2 实战与归档提醒

XTTS v2 在 Hugging Face 上仍是下载量最高的开源克隆模型，社区 fork 很多。跑法上它也是零样本，3 到 6 秒样本即可。但要注意：Coqui 官方仓库已归档，新项目不建议把它作为长期生产依赖，优先选 OpenVoice v2 或 F5-TTS。如果你已经在用，记得锁定社区里还在维护的分支版本，避免依赖突然失效。

实测避坑清单

显存不够就降精度到 FP16，并设 PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:32 减少碎片。
Docker 跑 GPU 必须装 NVIDIA Container Toolkit，否则容器看不到卡会直接初始化失败。
Python 版本建议 3.10 或 3.11，F5-TTS 在 3.12 上偶有 distutils 弃用报错。
参考音频务必单人说、少背景音，转写稿要准，否则克隆会跑偏。
对外暴露 FastAPI 一定要加鉴权，别把声音合成接口裸奔到公网。
商用前逐字核对许可证：OpenVoice v2 最稳，F5-TTS 权重受限，XTTS v2 需付费授权。