语音模型选型先核对商用许可

选本地语音模型，试听效果之前还有一道门槛：许可证能不能覆盖你的产品。作者在为桌面应用选型时发现，教程里很常见的 XTTS-v2，模型许可却限定非商业用途，接进收费产品就可能踩线。

这篇最有用的地方，是把三款 TTS（文本转语音）模型的能力、许可和产品限制放在一起看。不过，作者关于模型热度、音质接近和商业授权无路可走的判断，证据充分程度并不相同，选型时需要分开处理。

先确认你需要朗读，还是克隆声音

三款模型并不是可以直接互换的同类选项。第一步应该问：产品需要把文字读出来，还是必须模仿某个指定的人声？

Kokoro-82M 有 8200 万参数，采用 Apache 2.0 许可，支持 8 种语言和 54 个预设声音。它不能克隆声音，只能从已有声音中选择。作者看重的是普通 CPU 就能运行，不必配 GPU，适合旁白、应用提示和无障碍功能。不过，原文没有给出硬件配置、生成速度或延迟测试，不能据此推断所有桌面设备都能流畅运行。

XTTS-v2 来自 Coqui，支持 17 种语言。按照它的模型卡，约 6 秒参考音频就能用于声音克隆。作者称它搜索热度高、教程丰富，但没有提供下载量或搜索量数据。

Chatterbox 来自 Resemble AI，有 5 亿参数，采用 MIT 许可，可以用几秒音频做零样本声音克隆，也就是不先为目标声音单独训练模型。基础模型只支持英语，另一个 Multilingual v3 版本覆盖 23 种语言。

因此，Kokoro-82M 的运行门槛低，并不能替代 XTTS-v2 的声音克隆能力；Chatterbox 支持更多语言，也要落实到具体版本再比较。

XTTS-v2 的问题，是下载许可不等于商业许可

XTTS-v2 使用 Coqui Public Model License，限制为非商业用途。按照原文描述，这不是补个署名就能解决，也没有收入低于某个门槛的例外。

模型能免费下载，不代表可以放进收费产品。

作者指出，Coqui 过去出售商业许可，但 Coqui Inc. 已于 2024 年 1 月关闭。他据此判断，现在没有销售团队、授权入口或可签约的主体，商业授权通道已经不存在。

这里需要拆开两个结论：现有模型许可限制商业使用，是原文明确指出的许可问题；「任何价格都买不到授权」则是更强的判断。原文没有展示权利承继、资产转让或授权主体的核查材料，因此不能仅凭公司关闭，就替所有后续权利状态下定论。对产品团队而言，至少不能把过去存在的商业授权当成今天仍然可用。

这类误判容易发生，是因为模型权重公开、社区封装丰富、教程随处可见。开发者顺着示例把推理跑通，很容易把「大家都在用」误读成「我的产品也能用」。

社区重新上传的权重、量化版本或包装库，也不能自动消除原始模型的许可限制。

Chatterbox 能商用，水印仍然要进入产品评估

Chatterbox 还有一个容易被音质演示盖过去的条件：每段输出都带 Resemble 的 PerTh 水印。

原文称，这种水印听不见，在本地生成，不会回传数据；Resemble 宣称它能经受 MP3 压缩和普通编辑，检测率接近完美。后半部分属于厂商描述，原文没有提供作者的独立测试。

「听不见」与「不存在」是两回事。如果产品承诺交付没有此类标记的音频，或者客户对可检测的生成标记有要求，水印就会影响交付约定。它应该在选型阶段被确认，而不是上线后才从用户反馈中发现。

作者建议，在质量接近时优先考虑 Apache 2.0 或 MIT。这能减少商业用途上的限制，但他把两种许可概括成「使用、交付、售卖，不必告诉任何人」，表达过于省略。商业可用也不能直接推导出没有任何许可义务，仍应阅读具体条款。

我的判断

我赞同作者把许可证审查提前到选型阶段。模型接入之后，产品可能围绕声音、语言覆盖和品牌名称积累依赖，问题就不只是换一个推理接口。

但文章更像一次选型提醒，而不是完整评测。作者提到自己为桌面应用挑模型，却没有给出统一的音质对照、CPU 性能数据，也没有展示商业授权状态的完整调查。「现在几款质量已经接近，两年前还不是这样」属于作者的经验判断，不能当成通用结论。

同样，「换推理引擎只要几天」也有前提。普通朗读与声音克隆的需求不同，语言和声音发生变化，还可能需要重新验收。原文没有说明那几天覆盖哪些工作。

许可适合用来排除不合格选项，不能代替能力和效果验收。

能拿来做什么

• 为桌面应用接入本地 TTS 时，先写清是否需要声音克隆、目标语言和 GPU 条件。只需要预设声音朗读的产品，可以先评估 Kokoro-82M，避免为用不到的能力增加运行负担。
• 把许可证阅读放进模型选型记录，保存实际下载仓库、模型版本和对应许可。使用社区封装或量化权重时，同时追溯原模型条款。
• 收费产品准备采用 XTTS-v2 时，先确认是否存在有效的商业授权依据。教程可运行、权重可下载，都不能替代这一步。
• 评估 Chatterbox 时，分别核对基础模型与 Multilingual v3 的语言范围，并把 PerTh 水印列入交付验收条件，提前确认客户是否接受。