说实话，文字聊久了就是这样。角色卡写得多好、记忆系统搭得多完善，但少了声音，总觉得隔着一层什么。
所以今天这篇，我们聊聊酒馆SillyTavern的语音（当然在其他AI产品里用也是一样的）。
不讲那些虚的，就讲两件事。第一，在酒馆里怎么让你的角色开口说话。第二，目前市面上哪些语音模型的中文声音最像真人。
## 一、酒馆怎么开语音
SillyTavern酒馆其实内置了非常完整的TTS语音系统，只是很多人不知道在哪开。
先打开酒馆，顶部有一排图标，找到那个三个小方块叠在一起的按钮，点进去，就是扩展面板。展开TTS那一栏，你会看到一个下拉菜单，里面塞了十几个TTS提供商，从免费的到付费的，从本地的到云端的，眼花缭乱。
别慌，我们一个一个来。
首先要勾上那个【已启用】复选框，不然啥也不会响。然后建议把【自动生成】也勾上，这样每次AI回复完，语音会自动播放，不用每次都去点小喇叭。
下面有个【可用声音】的按钮，这就是给不同角色分配声音的地方。你得先跟某个角色开一个聊天窗口，然后在【可用声音】里给这个角色选一个声音。不同的TTS提供商会有不同的声音列表，选好之后点确认，就绑定好了。
还有一个很实用的小设置，就是那个【不朗读所有星号内文本，即使其被引号包裹】的复选框。勾上之后，TTS就只会读角色说的话，星号里的动作描写和环境叙述都不会念出来。这个很重要，不然AI会说「科菲靠近你，带着微弱的喵声，晚安，前辈，她说」……什么鬼= =
设置好之后，回到聊天界面，发消息。AI回复出来的一两秒后，声音就响了。
就这么简单。
那接下来，真正的问题来了。这么多TTS提供商，到底选哪个？
## 二、逐一排查，谁的声音最像真人
我先说结论，目前中文语音合成，国产模型已经全面碾压海外模型了。
这不是我瞎说的。2025年MiniMax的Speech-02在国际权威评测榜单Artificial Analysis上登顶，击败了OpenAI和ElevenLabs。2026年初阿里通义的CosyVoice在中文播客场景的盲测里，超过60%的听众分不出AI和真人的区别。
下面介绍几个主流的选择。
1. CosyVoice，本地模型完全免费
这是阿里通义实验室开源的一个TTS模型，专门为中文优化过。
日常的聊天，CosyVoice会读得很轻很口语，像一个朋友在跟你闲聊。换成其他模型，它会把每个字都读得很正式，像一个外教在念课文。
而且是开源模型，模型文件大小也不算很大，如果你电脑配置还可以，是完全可以自己部署的，全程免费。
它的缺点是部署门槛。起码你电脑配置不能太差，至少16GB显存，还得搞定Python环境、模型权重下载、模型本地部署（这里还得支持酒馆使用）。没有技术背景的话，可能要折腾挺久。
对了，CosyVoice有一个很棒的功能，就是声音克隆。你录3秒钟自己的声音，它就能模仿你的音色说话。
如果你有喜欢的声音，把原始音频或视频弄下来，处理成3-10秒的片段就可以复制。不过要注意的是，这个用来自己玩酒馆就好了，如果把克隆的声音发出去，可能会有侵权风险哦。
2. Fish Audio，性价比天花板
Fish Audio是一家国内公司做的TTS平台，有API也有开源模型。
价格方面，API按字节计费，5万字中文大概47块钱。有包月套餐，29/月的套餐支持200分钟的语音，基本够用了。
Fish Audio最大的好处是它可以直接接入酒馆。它支持OpenAI兼容的TTS接口，在酒馆里选OpenAI Compatible然后填上Fish Audio的endpoint就行。具体怎么配，去Fish Audio的文档里看，填一下API Key和模型名，不超过两分钟。
3. MiniMax TTS，星野同款
MiniMax就是星野背后的公司。星野App里的语音电话功能，用的就是MiniMax自家的TTS引擎。
它的中文发音、语调、情绪表达，都是经过大量中文对话数据训练出来的。毕竟是做AI伴侣起家的公司，他们太知道什么样的声音能让人心动了。
价格上，MiniMax的语音合成按字符计费，speech-2.8-turbo版本是2块钱一万字符。一个中文汉字算两个字符，也就是说一万个汉字大概4块钱。日常使用的话，一个月的语音费用大概在十几到几十块之间。
使用量比较大的话，推荐包月套餐，最低档49/月，量算比较大的，比按量计费划算很多。
如果要选一个又方便又高质量的语音模型用在酒馆里，我强烈推荐MiniMax这款。
> / 作者 Kitt在进化
