2026年10月TTS行业大事件：开源模型集体爆发，文字转语音进入"零样本"时代

B站IndexTTS-2.5开源：5秒音频克隆任意音色

10月16日前后，B站Index团队正式开源IndexTTS-2.5，这是目前开源TTS圈热度最高的模型之一。

核心升级点：

• 零样本声音克隆：只需一段参考音频（5秒就够），即可复刻任意人的音色
• 五语种覆盖：中文、英文、日语、西班牙语、阿拉伯语，还支持跨语言克隆——用中文提示音生成英文语音
• 情感控制与音色解耦：音色和情绪可以独立调节，高兴、愤怒、悲伤等8种情感精确控制
• 推理速度大幅提升：RTX 4090上实时率低至0.2，生成200字文本不到1秒
• 轻量部署：模型只有0.8B参数，6GB显存即可跑起来

对内容创作者来说，这意味着做短视频旁白、有声书、多角色广播剧，不用再花钱请配音员，本地部署就能出活。而且它是开源的，数据不出域，企业也能放心用。

社区里已经有团队基于它做三阶段知识蒸馏轻量化，在MOS仅降0.03的前提下把模型从5GB压到1.5GB——说明原始模型的音色表征冗余度很低，蒸馏后仍有很强的保真能力。

小红书dots.tts：20亿参数的连续自回归基座

几乎同期，小红书AI实验室开源了dots.tts，走的是另一条技术路线。

dots.tts总参数20亿，采用全连续端到端自回归架构，抛弃了传统的离散声学Token，直接在连续隐空间里生成语音。简单说，它跳过了"先量化再还原"的信息损失，语音还原度更高。

亮点数据：

• 支持24种语言的零样本语音克隆
• 说话人相似度高达0.969（满分1.0）
• 在Seed-TTS-Eval权威评测上拿到开源模型最优
• 基于Apache 2.0协议完全开源

社区实测反馈，dots.tts的中文效果尤其突出，有用户评价"超越了市面上很多语音模型"。粤语等方言的表现也让人惊喜。项目还提供了预训练、对齐（SOAR）、蒸馏等多版本权重，配套完整的推理与微调代码。

国产开源四强对打：Qwen3-TTS、IndexTTS、dots.TTS、AuK

有博主把2026年秋季的国产开源语音模型比作"贴身肉搏"——阿里Qwen团队发布Qwen3-TTS系列，B站把IndexTTS迭代到2.5，小红书亮出dots.TTS，腾讯混元端出1.5B的语音基础模型AuK。

四家几乎同期开源，把原本分散在商业API里的能力一次性摊开在开发者面前：零样本克隆、指令式语音编辑、多语言流式合成。

特别值得一提的是阿里Qwen-Audio-3.1-TTS。9月28日，在全球权威AI评测平台Artificial Analysis的语音排行榜（Controlled Voice Arena）上，阿里语音大模型能力得分拿下全球第一。这说明国内TTS技术已经不是"跟跑"，而是在某些维度上领跑。

Google Gemini 3.8 Flash TTS：百余种语言一键生成

9月24日，Google DeepMind发布了Gemini 3.8 Flash TTS和Flash-Lite TTS两款语音合成模型。

主要能力：

• 支持百余种语言的语音生成
• 可以用自然语言提示词从零设计声音（比如"一个低沉磁性的男声，带点沙哑"）
• 30秒音频样本即可复刻声音
• 生成音频自带SynthID溯源水印，解决版权争议

不过国内用户用Google服务有门槛，更实际的选择还是上面几个国产开源方案。

对普通创作者意味着什么？

说了这么多技术，落到实际使用上：

1. 免费配音真的能用了。以前开源TTS"机器味重"，现在零样本克隆+情感控制，效果直逼商业API。

2. 本地部署门槛降低。IndexTTS-2.5只要6GB显存，dots.tts也提供了蒸馏版本，普通游戏本就能跑。

3. 多语言配音成本暴跌。跨境电商、游戏本地化、多语种教育内容，以前要请多国配音员，现在一个模型搞定。

4. 声音资产化成为可能。你可以克隆自己的声音，建一个"声音库"，以后所有内容都用同一个声线。

如果不想折腾本地部署，浮云梦配音也已经跟进了这些新技术。手机浏览器直接打开就能用，不用下载App，支持上百种音色和多语言切换，生成完直接下载MP3。

技术趋势判断

从这一个月的动态看，TTS行业有三个明显方向：

零样本成为标配。不能克隆声音的TTS，已经不好意思叫"新一代"。IndexTTS-2.5、dots.tts、Qwen3-TTS全部支持零样本克隆，区别只在于需要多少参考音频、克隆质量有多高。

开源追赶商业。IndexTTS、dots.tts的效果已经逼近甚至超过部分商业API。开发者不再需要为每次调用付费，本地部署就能获得高质量输出。

从"读文本"到"演文本"。情感控制、风格迁移让AI配音不再像机器人念稿。IndexTTS-2.5的8种情感精确控制、dots.tts的连续隐空间生成，都在往"有感情地说话"这个方向走。

文字转语音这个赛道，2026年下半年算是真正进入了"实用级"。对做内容的人来说，声音不再是瓶颈，创意才是。