显卡太贵？聊聊几个适合 CPU 部署的高性价比 TTS 文字转语音方案

做 AI 应用的时候，大家都喜欢把 LLM（大语言模型）搞得很大，但在 TTS（文字转语音）这块，往往容易踩坑。

最近有个粉丝在后台问我，说他在捣鼓一个聊天小玩具。大模型用的是 DeepSeek，很顺滑，但到了 TTS 环节就头大了。

他试了一圈市面上的模型：

• Index TTS 2：效果最强，能克隆音色、还能控制情绪，但这玩意儿资源占用是“怪兽级”的。他租了带 5090 的算力云生成都很慢，更别说自己买显卡了。
• Qwen3 TTS：效果中规中矩，速度依然不太理想。
• Moss-nano：速度倒是快起来了，但那股子“AI 味”太重，一听就是机器念稿，很难沉浸。
• Mimo：免费的在线服务，听起来还行，但情绪控制经常抽风，有时候一句话全是平调，或者标签根本不生效。

接下来的痛点很现实：他想自建一台服务器，预算有限，不打算买 GPU。这就有点尴尬了，因为绝大多数高性能 TTS 模型都是为 GPU 设计的。

手里没显卡，真的就没法玩转高质量的 TTS 了吗？

在没有 GPU 的情况下，依然可以选择高效的 TTS 方案

还真不是。今天我就给大伙整理几条适合纯 CPU 环境、或者低成本部署的“野路子”方案。

方案一：GPT-SoVITS（ONNX 量化版）—— 本地化的性价比之王

如果非要在本地跑，且不能上 GPU，目前的“版本答案”多半是 GPT-SoVITS。

这玩意儿在圈子里已经很火了，最大的优点就是效果极好，且开源社区非常活跃。原本它也是吃显卡的，但现在社区已经推出了 ONNX 量化版。

ONNX 是什么？ 简单说就是把模型转换成一种通用的格式，并用“低精度计算”来压缩体积、提升速度。

在纯 CPU 环境下跑量化版的 GPT-SoVITS，效果会有一定损耗，但依然吊打那些入门级的模型。重点是它支持少样本极速克隆，你丢给它几秒钟的目标音频，它就能模仿出个八九不离十。

适用场景：有少量闲置算力（比如高配 NUC 或旧服务器），对数据隐私要求高，不想把录音上传到云端。

GPT-SoVITS 能够通过少量样本极速克隆音色

方案二：Edge-TTS —— 伪装成本地接口的“羊毛之王”

如果你对“音克隆”没有执念，只是想要一个清晰、自然、多语种的语音，那 Edge-TTS 绝对是目前最香的“羊毛”。

它的原理并不复杂：利用了微软 Edge 浏览器自带的在线朗读功能。通过脚本逆向调用它的接口，你就可以免费获得微软 Azure 认知服务级别的人声。

优点简直不要太多：

1. 不耗本地算力：它是纯网络请求，CPU 占用为 0，哪怕是树莓派都能跑。
2. 音质极高：本质上调用的是大厂接口，自然度远超很多本地训练的小模型。
3. 部署简单：Python 库 edge-tts 一行命令安装，几行代码就能搞成一个 API 服务，无缝嵌入你的项目。

缺点：需要联网，且不支持自定义音色克隆。但在没有 GPU 的前提下，这是最无脑的解决方案。

Edge-TTS 部署简单，几行代码即可封装成 API

方案三：Sherpa-ONNX —— 嵌入式/低延迟的神器

如果你是想在聊天场景里做 实时流式 TTS（即一边生成一边说，不能有延迟），上面的方案可能还有点不够用。

推荐看看 Sherpa-ONNX 这个项目。它不仅仅支持 TTS，还有 ASR（语音识别），专门针对推理做了大量优化。

它支持很多轻量级的 VITS 模型，并且通过 ONNX Runtime 进行加速。在纯 CPU 上，它可以做到非常低的启动延迟和生成速度。虽然音色的情感丰富度不如 GPT-SoVITS，但在聊天、助手类应用中，那种“秒回”的流畅感反而更重要。

方案四：API 聚合与云服务

如果自己折腾模型太累，或者说不想维护那一大堆依赖库，现在的云服务其实价格并没有想象中那么离谱。

除了大厂昂贵的 API，其实还有一些聚合平台，或者像之前提到的 Fish Audio 等新兴的服务，它们通常价格相对亲民，且提供了极其丰富的预制音色和情绪控制。

对于一个初创的小玩具项目，

总结与建议

回到那位粉丝的问题，如果非要上那台不带 GPU 的服务器，我的建议是分两步走：

1. MVP 阶段（最小可行性产品）：先用 Edge-TTS 搞定逻辑闭环。不花钱，不用愁性能，专心打磨交互体验。
2. 进阶阶段：如果 Edge-TTS 无法满足个性化需求（比如你需要克隆自己的声音），再考虑在那台服务器上部署 GPT-SoVITS 的 ONNX 版本。只要不做并发量特别大的业务，单核或双核 CPU 应付单路对话生成通常足矣。

做项目就是这样，不要一开始就被“硬件焦虑”劝退。软件算法的优化，往往比堆硬件来得更划算。希望大家的小玩具都能早日发出“好听”的声音！