自己折腾个小工具, 需要克隆音色生成语音 tts(text-to-speech),主要要求:

1. 推理时间尽量实时(100 字符/10s)

2. 多音色支持
   目前直接使用火山或者腾讯云的大模型,单个音色费用太贵了(>50),自己搭建 GPU 服务器也很贵(16G T4 约 1000/月),实时性也不太好
   有没有比较低成本的方案推荐?

   基本没有。

   买个显卡自己部署模型，加内网穿透

   你到底是要克隆音色还是要 tts ？
   tts 最低成本的应该就是直接调用系统的 tts ，
   克隆音色需要 AI 算力，就没有便宜的，一个小工具搞什么克隆音色，

   ＃3 说的对 调用系统 TTS 是最方便的。
   前段时间才做过： www.hesudu.com/t/1153662＃reply0
   不过移动端支持其实挺一般的，具体得自己试试

   另外就是 edge 浏览器有一套在线的 tts 有不少 github 开源的库可以直接调用。但是这种不一定能非常长期的使用。
   搜 edge_tts

   我是 Mac mini 4 当副机，跑 GPT-SoVITS ，也就 3G 显存左右吧，看你要不要并行，并行还会多一点

   我没说清楚,是自定义音色的 tts, 单纯 tts 是很便宜

   自定义音色的 tts, 单纯 tts 是很便宜

   fish speech 、cosyvioce （ vllm ），本地部署，3060

   我的显卡是 A770 16g 然后调整不好一直是 cpu

   VibeVoice 实现 90 分钟、多角色播客生成，拓展语音合成新边界 这个怎么样

   没看到自定义的需求，打扰了😂

   用 f5-tts ，在 windows 电脑上跑，自带加速引擎，速度特别香

   VibeVoice 听说显存要占十多 G ，没有音色，当普通 TTS 用，成本也太高了，适合公司用吧

   自定义音色可以用 fish.audio

   f5-tts 之前实测过太慢了

   买个有 4G 显存 3050 显卡的二手笔记本，基本上可以稳定高效跑 GPT-SoVITS

   github.com/RVC-Boss/GPT-SoVITS
   github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI
   TTS 用上面的，SVC 用下面的，没上手用过，只是有所耳闻

   配置最简单是 indextts,1066 batch2 能跑两章小说 batch3 一章，多音字直接拼音替换

   阿里音色克隆免费的吧.

   minimax 一个音色 10 块钱，合成声音的话 4 元/1w 汉字

   StyleTTS+Vocos ，开源的非自回归模型，可以直接部署在 cpu 服务器上，4090 上训练大概要一周左右。但是年头有点久了，效果比不上 cosyvoice/indextts 这些

   微调 Kokoro TTS 吧，满足你的需求，速度快，可自定义音色（微调音色 pt 文件）

   自己调模型 github.com/benjaminwan/ChineseTtsTflite

   自己搭完就会发现还是云服务便宜