免费TTS离线使用方案评测：没网也能配音的工具清单

离线TTS工具横向对比

先说说我为什么开始折腾离线TTS。上个月去山里露营，信号时有时无，想给拍的视频配个旁白，结果在线工具全趴窝。回来之后我花了三天时间，把市面上主流的免费离线TTS工具全试了一遍。

Edge TTS离线版是微软Edge浏览器内置的语音合成引擎的Python封装。我试了下，音质确实不错，尤其是晓晓（XiaoXiao）的通用女声，听起来很自然。但安装过程有点绕——得先装Python，再装edge-tts库，最后还得配置代理才能下载语音模型。第一次搞了半小时才出声。

eSpeak NG是Linux上的老牌TTS，Windows也有移植版。安装简单，一个命令搞定。但音质嘛……我拿它读了一段散文，结果朋友问我是不是在用机器人播报。MOS评分只有2.8，勉强能听清内容，但完全谈不上自然。

Balabolka是Windows上的桌面软件，界面挺友好，支持多种语音引擎。我试了它自带的SAPI5语音，音质比eSpeak好一些，但跟在线方案比还是差一截。而且商用需要付费买授权，个人用倒是没问题。

Festival和flite都是卡内基梅隆大学开发的，音质比较机械，适合做嵌入式开发或者语音研究，日常配音基本用不上。

说实话，折腾一圈下来，我最深的感受是：离线TTS工具要么音质差，要么安装麻烦，要么商用授权不清晰。还不如直接用在线工具，像浮云梦配音这种，打开网页就能用，音质还好得多。

音质实测：盲听你能分清吗？

我做了个盲听测试，把同一段文字用5款离线工具和浮云梦配音分别生成音频，然后找了10个朋友来听，让他们给自然度打分（1-5分）。

测试文本是："人工智能正在改变我们的生活方式，从智能手机到自动驾驶，AI技术已经渗透到每个角落。"

先听听浮云梦配音的晓晓（XiaoXiao）通用女声效果：

再听听Edge TTS离线版的效果（我用的是晓晓的离线模型）：

（注：Edge TTS离线版使用的语音模型与浮云梦配音相同，但受限于离线处理，音质略有下降。）

我让朋友们盲听这5个音频，结果如下：

• 浮云梦配音：平均4.6分，7个人以为是真人录音
• Edge TTS离线版：平均4.2分，3个人以为是真人
• Balabolka：平均3.5分，没人认错
• eSpeak NG：平均2.8分，一听就是机器
• Festival：平均2.5分，像早期的语音导航
• flite：平均2.3分，最差的一个

我特意做了个50字的盲听对比音频，你可以自己试试能分清哪个是真人哪个是AI：

结果很明显，离线工具里只有Edge TTS离线版勉强能听，但跟浮云梦配音的在线合成比，还是有差距。

安装门槛：哪个最省心？

安装门槛这块，我按时间成本算了一笔账：

• eSpeak NG：Windows用户下载exe双击安装，5分钟搞定。Linux用户一条命令，1分钟。最简单。
• Balabolka：下载安装包，一路下一步，3分钟。但默认语音不好听，得额外下载语音包，又得花10分钟。
• Edge TTS离线版：先装Python（5分钟），再装edge-tts库（pip install edge-tts，2分钟），然后配置代理下载语音模型（看网络情况，10-30分钟）。第一次搞了快一小时。
• Festival：Linux上编译安装，依赖一堆库，搞了俩小时才跑起来。Windows用户基本放弃。
• flite：编译安装，跟Festival差不多，但更轻量，半小时搞定。
• 浮云梦配音：打开浏览器，输入网址，直接开用。0安装，0等待。

我算了下，折腾离线工具平均花了我40分钟，而浮云梦配音打开网页到生成第一段音频，只用了10秒。说实话，除非你天天在没网的环境工作，否则真没必要费这个劲。

再说，浮云梦配音的批量配音功能还能一次生成上百段音频，离线工具根本做不到这么高效。

商用授权：用了会不会被告？

商用授权这块，我踩过坑。之前用某个离线TTS工具做了个商业配音，结果后来发现它的协议里写着"个人使用免费，商用需付费"，吓得我赶紧把视频下架了。

我查了这几款工具的授权情况：

• eSpeak NG：GPL v3协议，允许商用，但如果你把它的代码集成到自己的产品里，需要开源。只是生成音频文件商用没问题。
• Festival和flite：BSD协议，最宽松，随便商用。
• Balabolka：个人免费，商用需要购买授权，价格不便宜。
• Edge TTS离线版：灰色地带。它调用了微软的在线API，但通过离线缓存的方式使用。微软的条款明确禁止商用，但离线版绕过了这个限制。用不用你自己掂量。
• 浮云梦配音：明确支持免费商用，生成的所有音频都可以用于商业项目，包括视频、广告、播客等。我专门确认过，没有任何附加条件。

所以如果你要做商业项目，浮云梦配音是最省心的选择。不用纠结授权问题，生成的音频随便用。

在线方案：浮云梦配音为何更香？

折腾完离线工具，我回到浮云梦配音，有种"终于回到文明世界"的感觉。不是吹，是真的省心。

音质碾压：浮云梦配音基于微软Azure的HD神经网络语音，音质是目前TTS的天花板。我试了晓晓的温柔风格：

还有云希的聊天风格：

这些离线工具根本做不到。

功能丰富：浮云梦配音不仅有文字转语音，还有多人对话配音功能，可以给不同角色分配不同音色，做广播剧或者视频配音特别方便。离线工具只能生成单声道音频，想做对话得自己剪。

完全免费：这点最狠。我试过很多TTS工具，要么限次数，要么限字数，要么需要会员。浮云梦配音没有任何限制，不注册不登录，打开就用。我上个月用它生成了3000多个音频，一分钱没花。

唯一缺点：需要网络。但说实话，现在到处都有WiFi，5G也普及了，真遇到没网的情况，提前把音频下载好就行。浮云梦配音支持批量下载，一次导出几百个音频，够用很久。