朗读声音对比
比较Mutelink可用的朗读引擎及默认行为所用声音,下载前即可试听。
引擎区别
| VOICEVOX | Irodori-TTS | Qwen3-TTS | |
|---|---|---|---|
| 可朗读语言 | 日语 | 日语 | 日语、英语、中文、韩语、德语、西班牙语、法语、意大利语、葡萄牙语、俄语 |
| 所需环境 | 无需GPU | 支持Vulkan的GPU | 对话用途建议NVIDIA GPU和加速组件 |
| 下载 | 约30MB引擎加角色文件 | 约1.9GB | 约1.2GB标准模型+约395MB NVIDIA加速;克隆另需约1.6GB |
| 声音 | 选择角色 | 标准或注册声音 | 按语言自动选择标准声音,或使用注册声音 |
| 免费范围 | 全部 | 标准声音朗读 | 标准声音朗读 |
| 适合 | 不想使用GPU或想用角色声音 | 快速自然的日语 | 日语以外的朗读 |
- Irodori-TTS和Qwen3-TTS的声音注册(克隆)均需支持版。Qwen还需额外下载约1.6GB克隆模型。
- 可在设置 > Qwen3-TTS中添加约395MB NVIDIA加速组件。
- Irodori-TTS和Qwen3-TTS与VRChat共享显存,用量随文本长度变化。
- VOICEVOX各角色有独立使用条款,请下载前确认。
将Qwen3-TTS用于对话前
作者实测未装NVIDIA加速(Vulkan)时RTF超过2,生成赶不上播放。RTF 2表示生成5秒语音需10秒;GPU有其他应用负载时约为3.0—3.3。
实时对话请以NVIDIA GPU及加速组件为前提。**克隆对话需要同时准备克隆模型和NVIDIA加速组件。**购买前先用免费标准声音及加速组件确认速度,性能也受电脑配置及VRChat负载影响。
试听音频
注册声音试听见参考音频与克隆对比,含日语Irodori及Qwen的4种参考×4种输出语言。
以下为Irodori-TTS和Qwen3-TTS标准声音示例。
关于Qwen3-TTS标准声音
默认每次朗读都会从该语言候选中自动选声,本站音频只是示例。
日语和韩语各只有1个候选,话者不变。中文有5个候选,英语及其他语言从2个英语话者中选择。即便同一话者,每次语调也可能变化。
日语(Irodori-TTS与Qwen3-TTS)
| 文本 | Irodori-TTS(标准) | Qwen3-TTS(标准) |
|---|---|---|
| こんにちは、はじめまして。 | ||
| すみません、聞き取れませんでした。もう一度言ってもらえますか? | ||
| 今からあなたのインスタンスに入りますね。 | ||
| そのアバター大好きです。どこで手に入れたんですか? |
Qwen3-TTS声音变化示例
英中示例用不同标准声音朗读同一句话。中文展示5个候选中的2个。本页音频已保存,重播不会换声音。
| 语言 | 文本 | 标准声音(例1) | 标准声音(例2) |
|---|---|---|---|
| 英语 | Hello, nice to meet you. | ||
| 中文 | 你好,很高兴认识你。 |
其他语言(Qwen3-TTS)
| 语言 | 文本 | Qwen3-TTS(标准) |
|---|---|---|
| 英语 | Hello, nice to meet you. | |
| 英语 | I'm sorry, I didn't catch that. Could you say it again? | |
| 中文 | 你好,很高兴认识你。 | |
| 中文 | 对不起,我没听清楚。你能再说一遍吗? | |
| 韩语 | 안녕하세요, 만나서 반갑습니다. | |
| 韩语 | 죄송해요, 잘 못 들었어요. 다시 말씀해 주시겠어요? | |
| 德语 | Hallo, schön, dich kennenzulernen. | |
| 德语 | Entschuldigung, das habe ich nicht verstanden. Könntest du es bitte wiederholen? | |
| 西班牙语 | Hola, mucho gusto. | |
| 西班牙语 | Lo siento, no te he entendido. ¿Podrías repetirlo? | |
| 法语 | Bonjour, enchanté de faire votre connaissance. | |
| 法语 | Désolé, je n'ai pas compris. Pourrais-tu répéter ? | |
| 意大利语 | Ciao, piacere di conoscerti. | |
| 意大利语 | Scusa, non ho capito. Potresti ripetere? | |
| 葡萄牙语 | Olá, prazer em conhecer você. | |
| 葡萄牙语 | Desculpe, não entendi. Você poderia repetir? | |
| 俄语 | Здравствуйте, рад с вами познакомиться. | |
| 俄语 | Извини, я не расслышал. Можешь повторить? |
试听音频与测量生成条件
试听固定标准声音候选,原则上以种子41001各生成一次再转MP3。例1/2仅用于区分试听,不是应用可选话者列表。正常朗读每次会更换种子。
- Qwen3-TTS俄语“Здравствуйте, рад с вами познакомиться.”以种子769694441重新生成。速度与错误率仍为重新生成前30句的测量结果。
- Irodori-TTS日语“こんにちは、はじめまして。”以种子10990944重新生成,速度与错误率仍保留原30句测量值。
- Irodori-TTS日语“今からあなたのインスタンスに入りますね。”以种子1362122378重新生成,速度与错误率仍保留原30句测量值。
| 试听 | 生成所用声音 |
|---|---|
| Irodori-TTS(日语) | 无参考声音(标准) |
| Qwen3-TTS(英语) | ryan(例1)、aiden(例2) |
| Qwen3-TTS(中文) | vivian(例1)、serena(例2) |
| Qwen3-TTS(韩语) | sohee |
| Qwen3-TTS(德语) | ryan |
| Qwen3-TTS(西班牙语) | ryan |
| Qwen3-TTS(法语) | ryan |
| Qwen3-TTS(意大利语) | ryan |
| Qwen3-TTS(葡萄牙语) | ryan |
| Qwen3-TTS(俄语) | ryan |
| Qwen3-TTS(日语) | ono_anna |
速度与错误率按各语言固定例1话者(日语ono_anna、韩语sohee)各测30句。新增例2音频不计入统计。
VOICEVOX声音因角色而异,可在官网试听。
朗读速度
表示生成一句话所需时间。“耗时/音频”为生成时间与音频时长之比,越低越快,小于1表示可边播放边完成生成。
| 引擎 | 语言 | 平均音频时长 | 平均生成时间 | 耗时/音频 |
|---|---|---|---|---|
| Irodori-TTS | 日语 | 3.8秒 | 0.7秒 | 0.19 |
| Qwen3-TTS | 日语 | 5.1秒 | 3.4秒 | 0.67 |
| Qwen3-TTS | 英语 | 3.9秒 | 2.6秒 | 0.65 |
| Qwen3-TTS | 中文 | 3.2秒 | 2.0秒 | 0.63 |
| Qwen3-TTS | 韩语 | 4.5秒 | 2.6秒 | 0.58 |
| Qwen3-TTS | 德语 | 3.3秒 | 1.1秒 | 0.33 |
| Qwen3-TTS | 西班牙语 | 3.8秒 | 1.6秒 | 0.41 |
| Qwen3-TTS | 法语 | 3.3秒 | 1.1秒 | 0.32 |
| Qwen3-TTS | 意大利语 | 3.4秒 | 1.3秒 | 0.39 |
| Qwen3-TTS | 葡萄牙语 | 3.8秒 | 1.6秒 | 0.42 |
| Qwen3-TTS | 俄语 | 4.6秒 | 1.8秒 | 0.40 |
作者在RTX 4070配NVIDIA加速环境下每种语言测量30句的参考值。Qwen固定各语言的特定标准话者,并非候选总体平均;详见上方生成条件。
应用无需等待整句生成完毕,会从已生成部分开始播放。
可识别程度参考
将合成音频送入识别引擎并与原文比较。数值为各识别引擎错误率的平均,越低表示越接近原文;日语按读音比较。
| 引擎 | 语言 | 平均错误率 |
|---|---|---|
| Irodori-TTS | 日语 | 7.7% |
| Qwen3-TTS | 日语 | 13.2% |
| Qwen3-TTS | 英语 | 1.9% |
| Qwen3-TTS | 中文 | 2.8% |
| Qwen3-TTS | 韩语 | 3.2% |
| Qwen3-TTS | 德语 | 4.3% |
| Qwen3-TTS | 西班牙语 | 3.6% |
| Qwen3-TTS | 法语 | 5.1% |
| Qwen3-TTS | 意大利语 | 7.9% |
| Qwen3-TTS | 葡萄牙语 | 6.7% |
| Qwen3-TTS | 俄语 | 5.5% |
数值的限制
- Qwen使用与速度测试相同的固定话者,不代表自动选声时的平均成绩。
- 每种语言使用30句AI生成的日常短句,未经母语者确认。
- 数字写法、改写等识别器自身特点也会计错,因此不单纯代表声音质量。
- 数值无法体现自然度或个人喜好,请实际试听。
各识别引擎明细见语音识别对比。