今天有位博主放出了 GPT-SoVITS、CosyVoice、ChatTTS、Fish Speech、Kokoro 五款开源语音模型的盲听横评，四段测试文本、三个维度打分，结论不是谁全面第一，而是按场景分工。ChatTTS 拿到的评价是「情感对话最自然，读新闻太随意」，在对话、虚拟角色、播客场景里依然被推荐。小红书但对真正拿 ChatTTS 做短视频、口播、播客配音的人来说，痛点不是「够不够好」，而是「稳不稳」。
小红书一篇高热度的 AI 配音帖评论区里，有人指出音频前后音色不一致，还有人更直接：「srds你这个的音频也时快时慢」。小红书这不是你操作失误，而是 ChatTTS 的机制决定的。如果你已经装好了它，这篇只讲三件事：音色怎么固定、长文怎么稳定、发布前要查哪个坑。
为什么每次生成的声音都不一样
ChatTTS 的音色不是「配置」出来的，而是「抽」出来的。默认情况下 `sample_random_speaker()` 会从高斯分布里随机抽一个说话人向量，每次运行都抽到一个新声音；再加上自回归生成本身带采样随机性，同一段文字的语速、语调也会不同。官方 FAQ 对此很坦白：这是自回归模型的通病，「一般很难避免」，只能多生成几次碰一个合适的结果。GitHub所以固定音色的思路很简单：把「随机抽卡」改成「固定卡池」，锁住说话人向量、压低采样随机性。
固定音色：三种方法，从硬核到省事
方法一：保存说话人向量，官方路线最稳。先用 `rand_spk = chat.sample_random_speaker()` 抽一次，官方 README 的注释明确写着「save it for later timbre recovery」，推理时把这个向量传回 `InferCodeParams` 的 `spk_emb`，顺手把 temperature 降到 0.3 左右，减少语速和语调的波动。GitHub把这个向量写进项目配置，整个系列视频就共用这一副嗓子，代价是「惊喜感」变少，但对口播来说这是优点。
方法二：用社区现成的音色种子。B 站早就有声纹种子生态：有人做过内置几千种预置音色的整合包，连声纹检测、音色打分都配齐了。哔哩哔哩也有 UP 主直接分享 .pt、.csv 格式的种子文件。挑种子注意时间：ChatTTS 更新过多次代码，「一些整合版无法使用CSV和旧PT格式的音色种子了」，种子加载不出来先怀疑版本不匹配，而不是种子本身有问题。哔哩哔哩
方法三：从参考音频克隆。想「复刻」某个特定声音，社区还有 ChatTTS-OpenVoice 这类项目：ChatTTS 负责自然的语音生成，OpenVoice 的音色模拟模块负责「无缝音色移植」，输入参考音频就能得到可复用的音色。GitHub它比固定随机音色更进一步，适合想统一 IP 声音的场景。
长文稳定：先切分，再归一化，最后管节奏
ChatTTS 直接生成长文本有三个坑：段落太长出现杂音和口齿不清、数字符号读错、停顿不受控。小红书博主卷卷姐开源的 ChatTTS-LongAudio 把这三步都自动化了：服务端「会按行/按标点自动拆分文本，逐段推理后合并成一段完整音频」，适合生成 5 到 10 分钟的解说词。GitHub
切分解决杂音，归一化解决读错。手机号、小数、百分号、公式、英文单词先转换成可读文本再喂给模型，能省掉你在剪辑软件里逐句修正的功夫。再往下是节奏：目前发布的模型里，token 级控制单元只有 `[laugh]`、`[uv_break]`、`[lbreak]` 三种。GitHub句级还可以用 `prompt=‘[oral_2][laugh_0][break_6]’` 这类参数调口语化程度（oral 0-9）、笑声（laugh 0-2）和停顿（break 0-7）：知识类口播建议低 oral、低 laugh、中等 break，情感向内容可以把 oral 调高；想精确到字，就开 `skip_refine_text=True` 手写标记。
不想碰代码：一个成熟 WebUI 就够了
完全不想碰 Python 的话，jianchang512 的 chatTTS-ui 是目前用的人最多的本地网页界面：「一个简单的本地网页界面，在网页使用 ChatTTS 将文字合成为语音，支持中英文、数字混杂，并提供API接口」。GitHub浏览器里贴文案、选音色、调参数就能出音频，前面说的 LongAudio 也是在它的基础上加了长文切分和文本归一化。
硬件参考官方口径：生成 30 秒音频「至少需要 4GB 显存」，CPU 也能跑，但速度明显更慢。GitHub另一个实操提醒：环境建议 Python 3.10 到 3.11，官方 issue 区有「Python 3.12 + Cuda 12.6 Terminate without notice」的真实案例。GitHub
发布前必查的一个坑：模型不能商用
这是大多数教程不会提的事。官方 README 写得清楚：代码是 AGPLv3+，但模型权重基于 CC BY-NC 4.0 许可，「面向教育和研究用途，不得用于任何商业或非法目的」。GitHubNC 就是 NonCommercial。也就是说，如果你的视频要接单变现、接商单，或者把声音用在公司产品里，官方权重并不合适，商用需求应该换允许商用的模型或付费服务，别抱侥幸。
还有很多人吐槽：ChatTTS 的音频为什么总带一层「MP3 沙沙声」？这部分是官方刻意的防滥用设计：训练时「加入了少量高频噪声」，并「尽可能用 MP3 格式压缩音质」。GitHub对音质敏感的话，要知道这是模型的先天上限，不是参数没调好。
什么时候继续用，什么时候该换
看两个信号。一是横评的场景分工：正式播音、有声书选 CosyVoice，克隆自己的声音选 GPT-SoVITS，多语言选 Fish Speech，低配设备选 Kokoro，ChatTTS 守住对话和虚拟角色——「没有绝对的第一，只有最合适的选择」。小红书二是项目节奏：ChatTTS 最新版本停留在今年 4 月发布的 v0.2.5，近期提交多是「keep tracking with latest transformers」这类兼容性修复。GitHub路线图上的多情感控制长期没有勾选，它不会消失，但也别指望大功能更新。
一句话收尾：个人创作、非商用的场景下，把音色固定、长文切分做好，ChatTTS 依然是眼下性价比很高的免费对话配音方案；一旦涉及商用变现、克隆真人声音或长篇有声书，按上面的信号及时换模型。
