← 返回列表

_raw_TTS_newmodels.md

2026 开源 TTS 新模型原始调研（_raw_TTS_newmodels.md）

0. 调研方法与可信度声明（先读这一节）

0.1 本机网络实况（影响"验证"的含义）

目标状态说明
github.com HTML 页面不通/极慢（curl 60s 超时；偶发 200）因此无法用 GitHub 网页正文做证据
raw.githubusercontent.com通（偶发慢/失败，需重试）README 正文来源
cdn.jsdelivr.net（GitHub 镜像 CDN）稳定通README/LICENSE 正文主要来源
img.shields.io GitHub badge JSON稳定通star / license / last-commit 来源
api.github.com（search/issues）通，未认证限流 ~10 req/minissue 检索来源
huggingface.co屏蔽改用 hf-mirror.com
hf-mirror.com（含 /api/models）通模型卡正文、safetensors 参数量、license tag
export.arxiv.org/api/query通论文标题/摘要/发布日期的权威验证源
arxiv.org/abs/*通（200）人类可读链接

0.2 "URL 已核实"的确切含义

本文对每条 URL 标注了核实方式，只有三种：

0.3 数字口径：厂商自报 vs 第三方测量

本文逐一标注每个数字的来源类型：

0.4 ⚠️ 本次调研最重要的 5 个结论（先看这个）

  1. Spark-TTS 有严重许可证冲突：GitHub 仓库 LICENSE 是 Apache-2.0，但 HuggingFace 权重模型卡的 license 是 cc-by-nc-sa-4.0（禁止商用）。代码可商用、权重不可商用 → 整体判定 不可商用。见 §5。
  2. Higgs Audio 主线已转向非商用：boson-ai/higgs-audio 仓库 README 现已改为宣传 Higgs Audio v3，其许可为 Boson Higgs Audio v3 Research and Non-Commercial License（明确禁止商用）；v2 文档被挪到 README_V2.md（Apache-2.0 代码 + HF license: other）。且 Higgs Audio v2/v3 均未查到 arXiv 论文（只有博客）。见 §6。
  3. VibeVoice-TTS 代码已被微软下架（2025-09-05，理由"被广泛滥用"），VibeVoice-TTS-1.5B 在官方表里状态为 Disabled；当前活跃的是 VibeVoice-Realtime-0.5B（流式 TTS）和 VibeVoice-ASR 系列。且官方 README 明确写"不建议用于商业或真实场景"。见 §7。
  4. Fish Audio S2 Pro 商用需单独授权：HuggingFace 门禁勾选项字面要求 "I agree to use this model for non-commercial use ONLY"，许可为 Fish Audio Research License。其 SeedTTS 中文 CER 0.54% 是全场最强，但不能商用。见 §11。
  5. 面向"实时数字人"真正具备流式 + 低首包延迟 + 可商用的候选只有少数几个：Qwen3-TTS（97ms，Apache-2.0）、FireRedTTS-2（140ms，Apache-2.0）、MOSS-TTS-Realtime（180ms，Apache-2.0）、VoxCPM2（RTF 0.13~0.30，Apache-2.0）、GLM-TTS（流式，但许可 HF/GitHub 不一致需确认）。

1. VoxCPM2（OpenBMB）

结论速览：Apache-2.0 全开源、2B、48kHz、~8GB 显存、RTF ~0.30（4090），可商用，是"数字人 + 中文 + 实时"最稳的开源底座之一。但 sm_120（RTX 50 系 Blackwell）有若干未关闭的 issue。

1.1 仓库 / 模型卡 / 论文（URL 均实测）

项值核实
官方 GitHubhttps://github.com/OpenBMB/VoxCPM[shields-verified]
Star 数38k[shields-verified] https://img.shields.io/github/stars/OpenBMB/VoxCPM.json → {"message":"38k"}
License（仓库）Apache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/OpenBMB/VoxCPM@main/LICENSE（11303 B，Apache License 2.0 全文）
Last commitseptember（2026-09）[shields-verified] https://img.shields.io/github/last-commit/OpenBMB/VoxCPM.json → {"message":"september"}
HuggingFacehttps://huggingface.co/openbmb/VoxCPM2[正文已抓取]（镜像）https://hf-mirror.com/openbmb/VoxCPM2/raw/main/README.md（200，7939 B）
HF license tagapache-2.0；gated: False[正文已抓取] https://hf-mirror.com/api/models/openbmb/VoxCPM2?blobs=false → license: ['license:apache-2.0']

✅ 补充确认（2026-09-22 追加）：VoxCPM2 的 HF 侧许可证

提问背景：抓 openbmb/VoxCPM 返回 401，无法独立确认 HF 侧许可。原因是 repo 名不对。

尝试的 repo 名结果结论
https://hf-mirror.com/OpenBMB/VoxCPM/raw/main/README.mdHTTP 401❌ 旧名/错名（大写 owner + 无 "2"）→ 这就是 401 的来源
https://hf-mirror.com/openbmb/VoxCPM2/raw/main/README.mdHTTP 200✅ 正确的 HF repo 是 openbmb/VoxCPM2（owner 全小写，模型名带 2）

HF 模型卡 frontmatter 第 33 行原文：license: apache-2.0（[正文已抓取]，sed -n '1,40p' 实测） HF API tags 原文：license: ['license:apache-2.0']，gated: False（无需门禁，可直接下载）

→ 结论：VoxCPM2 的 HF 侧许可证确实为 Apache-2.0，与 GitHub README 声称的 "free for commercial use" 一致。HF 与 GitHub 两侧无冲突。可商用。

另外注意：https://hf-mirror.com/OpenBMB/VoxCPM2/...（仅 owner 大写）也会返回 200（HF owner 名大小写不敏感），但你试的 OpenBMB/VoxCPM 缺了 2 且是旧名，所以 401。请统一使用 openbmb/VoxCPM2。

| arXiv（VoxCPM2） | https://arxiv.org/abs/2606.06928 = VoxCPM2 Technical Report，2026-06-05 | [arxiv-api-verified] | | arXiv（VoxCPM 初代） | https://arxiv.org/abs/2509.24650 = VoxCPM: Tokenizer-Free TTS for Context-Aware Speech Generation and True-to-Life Voice Cloning，2025-09-29 | [arxiv-api-verified] |

1.2 参数与资源

项值来源
骨干参数量2B（README 明示）【厂商自报】[正文已抓取] README "Models & Versions" 表：Backbone Parameters = 2B
HF 权重实际张量总量2,290,004,544 ≈ 2.29B（BF16）[正文已抓取] https://hf-mirror.com/api/models/openbmb/VoxCPM2?blobs=false → safetensors.parameters.BF16
采样率48 kHz 输出（AudioVAE V2，16 kHz 输入 → 48 kHz 输出，内置超分）【厂商自报】HF 模型卡
语言30 语言 + 9 种中文方言（四川话/粤语/吴语/东北话/河南话/陕西话/山东话/天津话/闽南话）【厂商自报】HF 模型卡
LM token rate6.25 Hz【厂商自报】HF 模型卡
dtypebfloat16【厂商自报】HF 模型卡
VRAM~8 GB【厂商自报】HF 模型卡 Model Details 表 + GitHub README 对比表

1.3 中文质量数字

Seed-TTS-eval（【厂商自报】，VoxCPM2 GitHub README 对比表）：

指标VoxCPM2 (2B)参照
test-ZH CER ↓0.97 %Qwen3-TTS 1.7B 1.22 / CosyVoice3-1.5B 1.12 / Seed-TTS 1.12 / MiniMax-Speech 0.83
test-ZH SIM ↑79.5 %Seed-TTS 79.6 / MiniMax-Speech 78.3 / CosyVoice3-1.5B 78.1
test-EN WER ↓ / SIM ↑1.84 / 75.3—
test-Hard CER ↓ / SIM ↑8.13 / 75.3Seed-TTS 7.59 / CosyVoice3-1.5B 5.83

CV3-eval 多语种 CER/WER（【厂商自报】）：zh 3.65、en 5.00、hard-zh 8.55、hard-en 8.48、ja 5.96、ko 5.69、de 4.77、es 3.80、fr 9.85、it 4.25、ru 5.21。

MiniMax-Multilingual-Test 中文 WER（【厂商自报】）：VoxCPM2 1.136；Qwen3-TTS 0.928；FishAudio S2 0.730；MiniMax 2.252；ElevenLabs 16.026。

内部 30 语种评测（论文摘要）：平均 WER 1.68 %（【厂商自报】）。

UTMOS / 自然度：未查到。

1.4 流式与实时性

项值来源
流式支持支持 — Python API model.generate_streaming(text=...) 逐块 yield；CLI --stream【厂商自报】[正文已抓取] GitHub README
RTF（RTX 4090，标准 PyTorch）~0.30【厂商自报】
RTF（RTX 4090，Nano-VLLM）~0.13【厂商自报】
RTF（Apple M4 Pro / Metal，Q8_0，llama.cpp-omni）~1.76【厂商自报】
TTFB / 首包延迟（ms）未查到（README 只给 RTF，不给首包 ms）—
版本对比VoxCPM2 RTF ~0.30 / VRAM ~8GB；VoxCPM1.5 RTF ~0.15 / ~6GB；VoxCPM-0.5B RTF ~0.17 / ~5GB【厂商自报】README 对比表

1.5 已知坑（CUDA / torch / Blackwell / sm_120）

环境要求【厂商自报】：Python ≥ 3.10 (<3.13)、PyTorch ≥ 2.5.0、CUDA ≥ 12.0。

GitHub issue 检索（https://api.github.com/search/issues?q=repo:OpenBMB/VoxCPM+...）：

Issue标题状态对数字人的影响
#250feat: add Docker support for NVIDIA RTX 5000 series (Blackwell / sm_120)opensm_120 官方 Docker 支持仍缺失
#326LoRA fine-tuning + nano-vllm on Blackwell (sm_120): progressive audio quality degradation due to CUDA graph + object leakclosedsm_120 上 CUDA graph 导致音质渐进劣化（微调场景）
#269CUDA allocator / cudagraph race when VoxCPM2 runs in ≥2 concurrent subprocess workers on the same GPUclosed多并发 worker 有 allocator 竞态
#282Low Inference speed under RTX pro 6000 blackwell compared to RTX 4090closedBlackwell 上反而比 4090 慢（用户报告）
#102Segfault on RTX 4090 during model warm-up (scaled_dot_product_attention)closedwarm-up 段错误

1.6 是否适合实时数字人 / 直播

是。 依据：原生 streaming API；RTF ~0.30（单张 4090 即 <1，可实时）；~8GB 显存；官方提供 vLLM-Omni OpenAI 兼容 /v1/audio/speech 服务化路径（vllm serve openbmb/VoxCPM2 --omni）；Apache-2.0 明确可商用（README 原文："Fully Open-Source & Commercial-Ready — Weights and code released under the Apache-2.0 license, free for commercial use"）。 风险：sm_120 上无官方 Docker + 多个 Blackwell 相关 issue（#250/#282/#326），RTX 50 系需自行验证。

2. Qwen3-TTS（阿里巴巴 Qwen）

结论速览：Apache-2.0、1.7B/0.6B、官方标注端到端合成延迟低至 97 ms、中文 Seed-TTS CER 0.77（12Hz-1.7B-Base），可商用，且 本次检索未发现任何 sm_120/Blackwell 问题——对 RTX 50 系最友好。

2.1 仓库 / 模型卡 / 论文（含任务书要求的 arXiv 核验）

项值核实
官方 GitHubhttps://github.com/QwenLM/Qwen3-TTS[shields-verified]
Star 数13k[shields-verified] .../stars/QwenLM/Qwen3-TTS.json → {"message":"13k"}
LicenseApache-2.0[正文已抓取] https://cdn.jsdelivr.net/gh/QwenLM/Qwen3-TTS@main/LICENSE（11343 B，Apache 2.0 全文）
Last commitmarch[shields-verified]
HuggingFacehttps://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice（同系列另有 -Base、-VoiceDesign、0.6B-*、Qwen/Qwen3-TTS-Tokenizer-12Hz）[正文已抓取] https://hf-mirror.com/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md（200，57846 B）
arXiv 2601.15621 核验✅ 确认为真：http://arxiv.org/abs/2601.15621v1，标题 "Qwen3-TTS Technical Report"，发布 2026-01-22[arxiv-api-verified] via https://export.arxiv.org/api/query?id_list=2601.15621

任务书疑问解答：IndexTTS 引用的 arXiv 2601.15621 确为 Qwen3-TTS 技术报告，不是张冠李戴。Qwen3-TTS GitHub README 的 Paper 徽章亦直接指向 https://arxiv.org/abs/2601.15621。

2.2 参数与资源

项值来源
已发布规模1.7B / 0.6B 两档（另有 25Hz 版仅出现在论文评测表中，README 说"其他模型将陆续发布"）【厂商自报】README 发布表
Qwen3-TTS-12Hz-1.7B-Base 实际张量数1,928,677,440 ≈ 1.93B（BF16）[正文已抓取] https://hf-mirror.com/api/models/Qwen/Qwen3-TTS-12Hz-1.7B-Base?blobs=false
Qwen3-TTS-12Hz-1.7B-CustomVoice 实际张量数1,916,676,352 ≈ 1.92B（BF16）[正文已抓取] https://hf-mirror.com/api/models/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice?blobs=false
Qwen3-TTS-12Hz-0.6B-Base 实际张量数914,643,008 ≈ 0.91B（BF16）[正文已抓取] https://hf-mirror.com/api/models/Qwen/Qwen3-TTS-12Hz-0.6B-Base?blobs=false
Qwen3-TTS-Tokenizer-12Hz 实际张量数170,557,441 ≈ 0.17B[正文已抓取] https://hf-mirror.com/api/models/Qwen/Qwen3-TTS-Tokenizer-12Hz?blobs=false

✅ 补充确认（2026-09-22 追加）：Qwen3-TTS 的 HF repo 与许可证（应要求优先补）

HF 官方仓库集合：https://huggingface.co/collections/Qwen/qwen3-tts（README 徽章指向）

已逐一用 HF API 核实（https://hf-mirror.com/api/models/<id>?blobs=false）：

HF repo IDlicense taggated精确参数量
Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoicelicense:apache-2.0False1,916,676,352
Qwen/Qwen3-TTS-12Hz-1.7B-Baselicense:apache-2.0False1,928,677,440
Qwen/Qwen3-TTS-12Hz-0.6B-Baselicense:apache-2.0False914,643,008
Qwen/Qwen3-TTS-Tokenizer-12Hzlicense:apache-2.0False170,557,441

完整清单（README 发布表）：Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign、...-1.7B-CustomVoice、...-1.7B-Base、...-0.6B-CustomVoice、...-0.6B-Base、Qwen/Qwen3-TTS-Tokenizer-12Hz

→ 结论：Qwen3-TTS 全部 HF repo 均为 apache-2.0 且无门禁（gated: False），GitHub 仓库 LICENSE 亦为 Apache-2.0 全文。两侧一致，可商用，可直接下载无需授权。

| 语音 tokenizer | Qwen3-TTS-Tokenizer-12Hz（自研，12 Hz，离散多码本 LM 架构） | 【厂商自报】 | | 语言 | 10 种（中/英/日/韩/德/法/俄/葡/西/意）+ 多方言音色 | 【厂商自报】 | | VRAM | 未查到（README 只说"recommend using FlashAttention 2 to reduce GPU memory usage"，未给 GB 数） | — |

2.3 中文质量数字

Zero-shot on Seed-TTS test set（【厂商自报】README 评测表，"Seeds"行）：

模型test-zh WER(即CER) ↓test-en WER ↓
Seed-TTS1.122.25
CosyVoice 30.711.45
MiniMax-Speech0.831.65
FireRedTTS 21.141.95
Qwen3-TTS-12Hz-0.6B-Base0.921.32
Qwen3-TTS-12Hz-1.7B-Base0.771.24

TTS 多语种测试集（【厂商自报】）：Chinese 内容一致性 Qwen3-TTS-12Hz-1.7B-Base 0.928（Qwen3-TTS-25Hz-1.7B 为 0.777）；Chinese Speaker Similarity 12Hz-0.6B 0.811、12Hz-1.7B 0.799（MiniMax 0.780、ElevenLabs 0.677）。

第三方交叉验证（【第三方表】VoxCPM2 README / MOSS-TTS README）：两家的表都把 Qwen3-TTS-1.7B 记为 test-zh CER 1.22 / SIM 77.0（VoxCPM2 表）；MOSS 表记 Qwen3-TTS-1.7B：EN WER 1.5、EN SIM 71.45、ZH CER 1.33、ZH SIM 76.72；Qwen3-TTS-0.6B：ZH CER 1.23、ZH SIM 76.4。 👉 注意口径差异：Qwen 自报 0.77 vs 第三方测 1.22~1.33。差异很可能来自是否使用 language="auto"、max_new_tokens、以及是否用官方 test-zh 参考音色。选型请以第三方口径为准做保守估计。

UTMOS / 自然度：未查到（Qwen3-TTS README 未给 UTMOS）。

2.4 流式与实时性

项值来源
流式支持支持 — "Dual-Track hybrid streaming generation architecture，单个模型同时支持流式与非流式"【厂商自报】README
端到端合成延迟低至 97 ms — 原文："It can output the first audio packet immediately after a single character is input, with end-to-end synthesis latency as low as 97ms"【厂商自报】README（最强卖点，也是本次调研中最低的官方数字）
RTF未查到（README 未给 RTF）—

2.5 已知坑

环境要求【厂商自报】：Python 3.12 fresh conda env；pip install -U qwen-tts；推荐 FlashAttention 2（pip install -U flash-attn --no-build-isolation；<96GB RAM 用 MAX_JOBS=4）。

GitHub issue 检索：

Issue标题状态
#372finetuning/sft_12hz.py hard-codes attn_implementation="flash_attention_2" — official fine-tuning fails out-of-the-boxopen
#373fix(finetuning): make attention implementation configurableopen
#350Multi-concurrency inference not supportedopen
#369/#37025Hz tokenizer: qkv_attention_manual never masks padded keysopen
#124macOS/M-Series Support for Qwen3-TTSopen
#345Add MLX / Apple Silicon (MPS) backend supportopen
#179Finetuning Base results in progressively faster speech with every epochopen

⚠️ 关键坑：#372 —— 官方微调脚本硬编码 FA2，在没装 flash-attn 或硬件不支持 FA2（含部分 Blackwell 环境）时开箱即失败。

✅ sm_120 / Blackwell 专项检索结果：repo:QwenLM/Qwen3-TTS+sm_120 → total_count = 0（无相关问题报告）。这是本文所有模型中唯一 sm_120 零 issue 的。

2.6 是否适合实时数字人 / 直播

非常适合。 依据：97 ms 官方端到端延迟（明确为"real-time interactive scenarios"设计）；原生流式；Apache-2.0 可商用；无 sm_120 issue；提供 DashScope API 与 vLLM 路径。 风险：VRAM 未公布需实测；微调链路有硬编码 FA2 的坑（若不微调则不受影响）。

3. FireRedTTS-2（小红书 FireRedTeam）

结论速览：Apache-2.0、1.5B、首包延迟低至 140 ms（L20）、bf16 后 9GB 显存、主打多人对话/播客，可商用，非常适合"多角色数字人对话/直播"。

3.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHubhttps://github.com/FireRedTeam/FireRedTTS2[shields-verified]
Star 数1.4k[shields-verified]
LicenseApache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/FireRedTeam/FireRedTTS2@main/LICENSE（11357 B，Apache 2.0 全文）
Last commitoctober 2025[shields-verified]
HuggingFacehttps://huggingface.co/FireRedTeam/FireRedTTS2[正文已抓取] https://hf-mirror.com/FireRedTeam/FireRedTTS2/raw/main/README.md（200，8883 B）；HF license tag = apache-2.0
arXivhttps://arxiv.org/abs/2509.02020 = FireRedTTS-2: Towards Long Conversational Speech Generation for Podcast and Chatbot，2025-09-02（v2）[arxiv-api-verified]
前代https://github.com/FireRedTeam/FireRedTTS（925 stars，MPL-2.0，last commit may 2025）[shields-verified]

3.2 参数与资源

项值来源
参数量1.5B【第三方表】VoxCPM2 README 与 MOSS-TTS README 对比表均记 FireRedTTS-2 = 1.5B（两家独立一致）
HF 仓库 checkpoint 文件llm_pretrain.pt 8.27 GB、llm_posttrain.pt 8.27 GB、codec.pt 4.30 GB（合计 20.84 GB）[正文已抓取] https://hf-mirror.com/api/models/FireRedTeam/FireRedTTS2/tree/main
VRAMbf16 推理 9 GB（fp32 时 14 GB）；原文 2025/09/28："Supports bf16 inference, reducing VRAM usage from 14GB to 9GB and enabling consumer-grade GPU deployment."【厂商自报】README News
采样 tokenizer12.5 Hz streaming speech tokenizer（自研）【厂商自报】
语言英、中、日、韩、法、德、俄；支持跨语种/语码混合零样本克隆【厂商自报】
能力上限单次 3 分钟对话 / 4 个说话人（可通过扩数据线性扩展）【厂商自报】README Highlights

3.3 中文质量数字

Seed-TTS-eval：

UTMOS / 自然度：未查到（只有主观 MOS 的定性描述）。

3.4 流式与实时性

项值来源
流式支持支持 — 12.5 Hz 流式 tokenizer + text-speech 交织双 transformer，逐句生成；2025/10/11 起支持 streaming dialogue generation【厂商自报】README
首包延迟（first-packet latency）低至 140 ms（NVIDIA L20 GPU）【厂商自报】README Highlights 原文
RTF未查到（未给 RTF 数字）—

3.5 已知坑

环境要求【厂商自报】：conda python==3.11；torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu126；pip install -e . && pip install -r requirements.txt。

3.6 是否适合实时数字人 / 直播

是，且是多说话人场景的首选之一。 依据：140 ms 首包（比 Qwen3-TTS 的 97 ms 略高但同量级）；原生流式对话；9 GB 显存可上消费级卡；支持 4 说话人 3 分钟长对话；Apache-2.0 可商用；提供 Gradio UI 与微调教程。 风险：torch/cu126 版本锁定；中文 CER 1.14 弱于 Qwen3-TTS/VoxCPM2（单句质量不是它的强项，它的强项是对话与流式）。

4. Step-Audio 2 / Step-Audio（StepFun）

结论速览：Apache-2.0，但只开源了 8.3B 的 mini 版；定位是端到端语音对话大模型（不是纯 TTS），流式依赖 vLLM 后端；GPU 需求官方未公布，是选型中的不确定项。

4.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHub（Step-Audio 2）https://github.com/stepfun-ai/Step-Audio2[shields-verified]
Star 数1.5k[shields-verified]
LicenseApache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio2@main/LICENSE（11357 B，Apache 2.0 全文）
Last commitmarch[shields-verified]
⚠️ 旧仓库 Step-Audiohttps://github.com/stepfun-ai/Step-Audio（42 stars，Apache-2.0，last commit march）—— README 首行明确写着："This repository is no longer maintained, please refer to: Step-Audio2 / Step-Audio-R1 / Step-Audio-EditX"[正文已抓取] https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio@main/README.md（37303 B）
官方 GitHub（语音推理）https://github.com/stepfun-ai/Step-Audio-R1 — 978 stars?（见下）见 §4.4
官方 GitHub（音频编辑）https://github.com/stepfun-ai/Step-Audio-EditX — 978 stars，Apache-2.0，last commit april[shields-verified]
HuggingFacehttps://huggingface.co/stepfun-ai/Step-Audio-2-mini（另有 -Base、-Think）[正文已抓取] https://hf-mirror.com/stepfun-ai/Step-Audio-2-mini/raw/main/README.md（200，32766 B）；license tag = apache-2.0
arXiv（Step-Audio 2）https://arxiv.org/abs/2507.16632 = Step-Audio 2 Technical Report，2025-07-22（v3）[arxiv-api-verified]
arXiv（Step-Audio 初代）https://arxiv.org/abs/2502.11946 = Step-Audio: Unified Understanding and Generation in Intelligent Speech Interaction，2025-02-17[arxiv-api-verified]
arXiv（Step-Audio-R1）https://arxiv.org/abs/2511.15848 = Step-Audio-R1 Technical Report，2025-11-19[arxiv-api-verified]
arXiv（Step-Audio-EditX）https://arxiv.org/abs/2511.03601 = Step-Audio-EditX Technical Report，2025-11-05[arxiv-api-verified]

4.2 参数与资源

项值来源
开源部分仅 Step-Audio 2 mini（+ Base / Think 变体）；完整版 Step-Audio 2 未开源（README："We release Step-Audio 2 mini ... under Apache 2.0"）【厂商自报】
Step-Audio-2-mini 实际参数8,315,179,264 ≈ 8.32B（BF16）[正文已抓取] https://hf-mirror.com/api/models/stepfun-ai/Step-Audio-2-mini?blobs=false
Step-Audio 初代130B 多模态模型（仅开源 Step-Audio-Chat 变体）+ Step-Audio-TTS-3B + Step-Audio-Tokenizer【厂商自报】Step-Audio README
VRAM未查到（官方未公布；vLLM docker 参数未给显存要求）—

4.3 "中文质量数字"的重要口径澄清

⚠️ Step-Audio 2 的评测表主要是 ASR（语音识别）指标，不是 TTS 合成指标。 README 原文："CER for Chinese, Cantonese and Japanese and WER for Arabian and English"。

ASR CER/WER（【厂商自报】，README 评测表）：

测试集Step-Audio 2Step-Audio 2 miniKimi-AudioQwen-Omni
AISHELL0.630.780.641.17
AISHELL-22.102.162.672.40
FLEURS Chinese2.682.532.917.01
KeSpeech phase13.633.975.116.45
WenetSpeech meeting4.754.875.216.61
WenetSpeech net4.674.825.935.24
中文平均3.083.193.754.81

TTS 侧 Seed-TTS test-zh CER / SIM：未查到（该模型不以 SeedTTS 零样本克隆为主指标，README 无此表）。 UTMOS / 自然度：未查到。

4.4 流式与实时性

项值来源
流式支持支持（需 vLLM 后端） — README："We highly recommend using our vLLM backend for faster and streaming inference"【厂商自报】
vLLM 镜像stepfun2025/vllm:step-audio-2-v20250909，--max-model-len 16384 --max-num-seqs 32【厂商自报】
TTFB / 首包延迟（ms）未查到（README 无 ms 数字）—
RTF未查到—

4.5 已知坑

环境要求【厂商自报】：Python ≥ 3.10；PyTorch ≥ 2.3-cu121；transformers==4.49.0（版本锁定）；pip install torchaudio librosa onnxruntime s3tokenizer diffusers hyperpyyaml。 vLLM 自定义分支：https://github.com/stepfun-ai/vllm/tree/step-audio2-mini（非上游）。

GitHub issue 检索：

Issue标题状态
#57GPU Requirements for Matching StepFun Console Performance with vLLM？open → 说明官方未给出清晰 GPU 需求
#66vllm环境open
#61undefined symbol: ncclCommInitRankScalableopen
#86Step-Audio-2-mini running on AMD RDNA 3.5 (gfx1151 / Strix Halo) via ROCm — build fixes and Dockerfileopen
#68vLLM Prefill Performance: torch.compile Shows No Significant Improvementopen
#69How to Support Longer Audio in the vLLM Implementation?open

sm_120 / Blackwell 专项检索：未发现针对性报告（检索到的是 vLLM/ROCm 类通用问题）。

4.6 是否适合实时数字人 / 直播

部分适合，但不是首选。 理由：

5. Spark-TTS（SparkAudio）⚠️ 许可证有致命冲突

结论速览：11k stars、0.5B、中英双语零样本克隆。代码 Apache-2.0，但 HuggingFace 权重是 cc-by-nc-sa-4.0（禁止商用） → 整体判定：不可商用（除非只用代码+自训权重）。

5.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHubhttps://github.com/SparkAudio/Spark-TTS[shields-verified]
Star 数11k[shields-verified]
License（仓库 shields）Apache-2.0[shields-verified]
License（仓库 LICENSE 文件）Apache-2.0（11357 B 全文）[正文已抓取] https://cdn.jsdelivr.net/gh/SparkAudio/Spark-TTS@main/LICENSE
Last commitapril 2025[shields-verified]
HuggingFacehttps://huggingface.co/SparkAudio/Spark-TTS-0.5B[正文已抓取] https://hf-mirror.com/SparkAudio/Spark-TTS-0.5B/raw/main/README.md（200，6467 B）
⚠️ HF licensecc-by-nc-sa-4.0 ← 禁止商用[正文已抓取] 模型卡 frontmatter license: cc-by-nc-sa-4.0；且 https://hf-mirror.com/api/models/SparkAudio/Spark-TTS-0.5B?blobs=false 的 tags 含 "license:cc-by-nc-sa-4.0"
arXivhttps://arxiv.org/abs/2503.01710 = Spark-TTS: An Efficient LLM-Based Text-to-Speech Model with Single-Stream Decoupled Speech Tokens，2025-03-03[arxiv-api-verified]

5.2 ⚠️ 商用性判定（本文最需要注意的一条）

资产许可可否商用
推理代码（GitHub）Apache-2.0✅ 可
预训练权重（HuggingFace SparkAudio/Spark-TTS-0.5B）CC-BY-NC-SA-4.0❌ 不可（NonCommercial 明确禁止商业目的）

判定：直接拿官方权重做商业数字人 → 不允许。 只有「用 Apache-2.0 的代码 + 完全自训权重」才绕开，但那等于放弃官方检查点。任何"看 GitHub 徽章写 Apache 就以为能商用"的做法在此模型上会踩雷。Spark-TTS 主 README 与 HF 模型卡互相矛盾，且 README 未对此做任何说明。

5.3 参数与资源

项值来源
参数量0.5B（模型名即 Spark-TTS-0.5B）【厂商自报】模型名 + 第三方表
架构完全基于 Qwen2.5，无独立 flow-matching 模型；BiCodec 单流解耦语音 token（语义 token + 固定长度全局说话人 token）【厂商自报】README / 论文摘要
训练数据VoxBox，100,000 小时带属性标注【厂商自报】论文摘要
VRAM未查到（README 未给 GB 数；0.5B 体量本身很小）—

5.4 中文质量数字

【第三方表】VoxCPM2 README 与 MOSS-TTS README 两表一致：

👉 SIM 66.0 是本文所有模型中最低之一（对比 Qwen3-TTS 77.0、VoxCPM2 79.5、LongCat 81.8）——音色相似度是 Spark-TTS 的短板。 UTMOS / 自然度：未查到。

5.5 流式与实时性

项值来源
流式支持未声明支持流式合成（无 streaming API）【厂商自报】README 无 streaming 章节
生产部署提供 NVIDIA Triton + TensorRT-LLM 参考实现【厂商自报】README Runtime 章节
平均延迟 / RTF（L20 单卡，26 组 prompt/text，合计 169 秒音频）并发 1：Avg Latency 876.24 ms，RTF 0.1362；并发 2：920.97 ms，RTF 0.0737；并发 4：1611.51 ms，RTF 0.0704【厂商自报】README 基准表（⚠️ 这是平均延迟，不是首包延迟 TTFB）
TTFB未查到（未单独给出）—

5.6 已知坑

5.7 是否适合实时数字人 / 直播

不适合作为首选。 理由：

6. Higgs Audio v2（Boson AI）⚠️ 主线已转非商用 + 无论文

结论速览：仓库 boson-ai/higgs-audio 的 README 现在首屏就在推销 Higgs Audio v3，并明确 v3 采用 Research and Non-Commercial License。v2 文档被归档到 README_V2.md。v2 权重 HF license 是 other（语义不明），v2/v3 都没有 arXiv 论文。

6.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHubhttps://github.com/boson-ai/higgs-audio[shields-verified]
Star 数8.4k[shields-verified]
License（仓库）Apache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/boson-ai/higgs-audio@main/LICENSE（10141 B，Apache 2.0 全文）
Last commitjune[shields-verified]
⚠️ README 现状主 README 已改为 Higgs Audio v3 的推广页，原文："🎉 Higgs Audio v3 is here — you no longer need this repo!"、"Don't clone this repository to use the latest model."；v3 许可 = Boson Higgs Audio v3 Research and Non-Commercial License（"Production / hosted / revenue-generating use requires a separate commercial license"）；并明确提示 v3 不依赖本仓库代码[正文已抓取] https://cdn.jsdelivr.net/gh/boson-ai/higgs-audio@main/README.md（3357 B）
v2 文档位置README_V2.md（归档说明页）[正文已抓取] https://cdn.jsdelivr.net/gh/boson-ai/higgs-audio@main/README_V2.md（17233 B）
HuggingFace（v2 生成模型）https://huggingface.co/bosonai/higgs-audio-v2-generation-3B-base[正文已抓取] https://hf-mirror.com/bosonai/higgs-audio-v2-generation-3B-base/raw/main/README.md（200，25825 B）
⚠️ HF license（v2）license: other（未指明具体协议）[正文已抓取] 模型卡 frontmatter + https://hf-mirror.com/api/models/bosonai/higgs-audio-v2-generation-3B-base?blobs=false tags = license:other
姊妹权重bosonai/higgs-audio-v2-tokenizer（README 要求与该 tokenizer 配套加载）【厂商自报】README_V2
v3 权重https://huggingface.co/bosonai/higgs-audio-v3-tts-4b（非商用许可）【厂商自报】主 README
arXiv 论文未查到 ❌ —— 对 all:"Higgs Audio"、ti:"Higgs"、all:"Boson AI" 多次检索 arXiv API，均无 Higgs Audio 的论文条目。官方只提供博客：https://boson.ai/blog/higgs-audio-v2、https://www.boson.ai/blog/higgs-audio-v2.5[arxiv-api-verified]（检索为空）

6.2 参数与资源

项值来源
参数量（v2）3B（README 徽章原文："3.6B LLM + 2.2B audio adapter"）【厂商自报】README_V2
HF 实际张量总量5,771,283,456 ≈ 5.77B（BF16）[正文已抓取] https://hf-mirror.com/api/models/bosonai/higgs-audio-v2-generation-3B-base?blobs=false
v2.5压缩到 1B 参数，速度/精度超过 3B 版（GRPO 对齐 + Voice Bank 数据）【厂商自报】README_V2
训练数据超过 1000 万小时音频【厂商自报】README_V2
VRAMREADME 原文："For optimal performance, run the generation examples on a machine equipped with GPU with at least 24GB memory!"【厂商自报】README_V2

6.3 中文质量数字

Seed-TTS-eval（【第三方表】，VoxCPM2 README 与 MOSS-TTS README 两表一致）：

自然度/表现力（【厂商自报】）：在 EmergentTTS-Eval 上对 gpt-4o-mini-tts 的胜率 75.7%（Emotions 类） 与 55.7%（Questions 类）。 UTMOS：未查到。

6.4 流式与实时性

项值来源
流式支持支持（HiggsAudioServeEngine + vLLM 后端，提供 OpenAI 兼容 API server）【厂商自报】README_V2（examples/vllm）
TTFB⚠️ ~650 ms（"Getting ttfb ~650ms using vllm"）【用户报告】 GitHub issue #37（https://api.github.com/search/issues?q=repo:boson-ai/higgs-audio+...）—— 非官方数字
RTF未查到（官方无 RTF）—
其他实测【用户报告】issue #186：社区 C++/GGML 实现 "8.8–10.1× real-time (warmed) and 8.5× real-time (long)"用户自建实现，非官方

6.5 已知坑

环境要求【厂商自报】：推荐 NVIDIA 深度学习容器 nvcr.io/nvidia/pytorch:25.02-py3 或 25.01-py3；pip install -r requirements.txt && pip install -e .；支持 vllm 后端。

GitHub issue 检索（repo:boson-ai/higgs-audio）：

Issue标题状态说明
#39Blackwell Support on Dockeropen⚠️ sm_120/Blackwell 官方支持仍缺
#177OSError: libcudart.so.13: cannot open shared object fileopen⚠️ CUDA 13 环境下直接加载失败
#37Getting ttfb ~650ms using vllmopen首包延迟实测 ~650ms
#18vllm does not workopenvLLM 路径不稳定
#186[audio.cpp] Portable C++/GGML implementation … 8.8–10.1× real-timeopen社区替代实现

6.6 是否适合实时数字人 / 直播

不建议作为商业数字人底座。 理由：

7. VibeVoice / VibeVoice-Realtime（Microsoft）⚠️ TTS 代码已被下架

结论速览：54k stars 的明星仓库，MIT 代码许可，但微软已于 2025-09-05 移除 VibeVoice-TTS 代码（"widespread misuse"），官方模型表把 VibeVoice-TTS-1.5B 标为 Disabled。当前可用的是 VibeVoice-Realtime-0.5B（流式 TTS，~200ms 首音，仅英文单说话人）。官方 README 明确写"不建议用于商业或真实场景"。

7.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHubhttps://github.com/microsoft/VibeVoice[shields-verified]
Star 数54k[shields-verified]
LicenseMIT[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/microsoft/VibeVoice@main/LICENSE（1066 B，MIT 全文，Copyright (c) 2025 Microsoft）
Last commitseptember[shields-verified]
HuggingFacehttps://huggingface.co/microsoft/VibeVoice-1.5B（TTS，Disabled）；https://huggingface.co/microsoft/VibeVoice-Realtime-0.5B（流式 TTS，可用）；https://huggingface.co/microsoft/VibeVoice-ASR（ASR 7B）[正文已抓取] https://hf-mirror.com/microsoft/VibeVoice-1.5B/raw/main/README.md（200，7279 B）、.../VibeVoice-Realtime-0.5B/raw/main/README.md（200，10160 B）
HF license tagmit（1.5B 与 Realtime-0.5B 均为 mit）[正文已抓取] https://hf-mirror.com/api/models/microsoft/VibeVoice-1.5B?blobs=false
arXiv（VibeVoice）https://arxiv.org/abs/2508.19205 = VibeVoice Technical Report，2025-08-26[arxiv-api-verified]
其他相关论文VibeVoice-ASR 报告 https://arxiv.org/abs/2601.18184；ASR-Streaming https://arxiv.org/abs/2609.02812；BitNet https://arxiv.org/abs/2607.21075（均见 README 徽章，未逐一 API 核验）【厂商自报】
TTS 报告另发README 的 "TTS Report" 徽章指向 OpenReview https://openreview.net/pdf?id=FihSkzyxdv（ICLR 2026 Oral），并非 arXiv【厂商自报】README

7.2 参数与资源

模型上下文生成长度实际张量数来源
VibeVoice-1.5B64K~90 分钟2,704,021,985 ≈ 2.70B（BF16）[正文已抓取] HF API
VibeVoice-Large32K~45 分钟权重 Disabled（未发布）【厂商自报】vv_tts.md
VibeVoice-Realtime-0.5B8k（~10 分钟音频）单说话人1,017,626,722 ≈ 1.02B（BF16）[正文已抓取] HF API
VibeVoice-ASR-7B64K60 分钟单次—【厂商自报】
架构Qwen2.5 骨干 + 7.5 Hz 连续语音 tokenizer（Acoustic + Semantic）+ 扩散头——【厂商自报】vv_tts.md
Tokenizer 细节Acoustic tokenizer 对 24kHz 输入 3200× 下采样（Encodec 压缩率提升 80×）；encoder/decoder 各 ~340M；扩散头 ~123M（4 层）——【厂商自报】HF VibeVoice-1.5B 模型卡

7.3 中文质量数字

Seed-TTS-eval（【第三方表】）：

VibeVoice-Realtime-0.5B 官方评测（【厂商自报】docs/vibevoice-realtime-0.5b.md）：

测试集模型WER ↓Speaker Sim ↑
LibriSpeech test-cleanVibeVoice-Realtime-0.5B2.000.695
LibriSpeech test-cleanVALL-E 22.400.643
LibriSpeech test-cleanVoicebox1.900.662
SEED test-enVibeVoice-Realtime-0.5B2.050.633
SEED test-enSeed-TTS2.250.762

⚠️ 注意：官方只给英文（LibriSpeech / SEED test-en）数字，无中文指标 —— 因为 Realtime 版仅英文。

UTMOS / 自然度：未查到。

7.4 流式与实时性

项值来源
VibeVoice-TTS（1.5B）非流式，90 分钟单次整段生成【厂商自报】
VibeVoice-Realtime-0.5B流式（streaming text input + 增量扩散）【厂商自报】
首音延迟（首次可听）⚠️ 两个官方数字不一致：<br>• docs/vibevoice-realtime-0.5b.md：~200 milliseconds（"It produces initial audible speech in ~200 milliseconds (hardware dependent)"）<br>• 主 README.md 第 184 行：~300 milliseconds（"Real-time TTS (~300 milliseconds first audible latency)"）<br>• 同文档另注："Due to network latency, the time when audio playback is heard may exceed the ~300 ms first speech chunk generation latency"【厂商自报】两处冲突，取保守值 300ms
硬件基线"NVIDIA T4 / Mac M4 Pro achieve real-time performance in our tests"【厂商自报】
上下文8k context（~10 分钟音频）【厂商自报】

7.5 已知坑

GitHub issue 检索：

Issue标题状态
#210CUDA OOM with just 1 minutes audioopen
#367[Docs] Document the VRAM-vs-audio-duration relationship — RTX 4090 (24GB) OOMs on >30min audio at default sdpa attentionopen
#377docs(asr): document VRAM-vs-audio-duration limits and add chunked inferenceopen
#332Token indices sequence length is longer than the specified maximum (153482 > 131072)open
#185[Performance] Slow Inference on AMD 7900 XTX (Windows/ROCm) — ~1.0s/itopen
#340NVIDIA DGX Spark Supportopen
#418CPU-only mode with SDPA attention by defaultclosed
#1?repo:microsoft/VibeVoice+5090 检索 → total_count = 1（#210 CUDA OOM）—

7.6 是否适合实时数字人 / 直播

不推荐。 理由：

8. Sesame CSM（SesameAILabs/csm）

结论速览：15k stars、Apache-2.0、1B（+ Llama-3.2-1B 骨干）、对话式语音生成。官方自述非英语能力很弱（"likely won't do well"），无中文指标，无 arXiv 论文。不适合中文数字人。

8.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHubhttps://github.com/SesameAILabs/csm[shields-verified]（且 HTML 抓取偶发 200）
Star 数15k[shields-verified]
LicenseApache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/SesameAILabs/csm@main/LICENSE（11357 B，Apache 2.0 全文）
Last commitmay 2025[shields-verified]
HuggingFacehttps://huggingface.co/sesame/csm-1b[正文已抓取]（HTML 页面 200，49036 B）https://hf-mirror.com/sesame/csm-1b；模型卡 raw README 返回 401（仓库 gated: auto，需登录接受条款才能读 raw）
HF license tagapache-2.0[正文已抓取] https://hf-mirror.com/api/models/sesame/csm-1b → tags 含 "license:apache-2.0"，"gated":"auto"
HF 官方文档https://huggingface.co/sesame/csm_1b（README 中列出的另一个 checkpoint 路径）【厂商自报】README
arXiv 论文未查到 ❌ —— 对 all:"Sesame CSM conversational speech" 等检索 arXiv API 无条目。官方仅有博客：https://www.sesame.com/research/crossing_the_uncanny_valley_of_voice[arxiv-api-verified]（检索为空）
架构Llama 骨干 + 小型音频解码器，产出 Mimi（kyutai/mimi）RVQ 音频码【厂商自报】README

8.2 参数与资源

项值来源
参数量1B（CSM 变体）；HF 实际张量总量 1,552,791,552 ≈ 1.55B（F32，即未 bf16 存储）；另需 meta-llama/Llama-3.2-1B 作为骨干【厂商自报】README + [正文已抓取] https://hf-mirror.com/api/models/sesame/csm-1b?blobs=false
依赖门禁需访问 meta-llama/Llama-3.2-1B 和 sesame/csm-1b 两个 gated 仓库（需 huggingface-cli login）【厂商自报】README Requirements
VRAM未查到—

8.3 中文质量数字

未查到 —— 且这是该模型的设计限制，不是数据缺失。 README FAQ 原文：

"Does it support other languages?" — "The model has some capacity for non-English languages due to data contamination in the training data, but it likely won't do well."

8.4 流式与实时性

项值来源
流式支持未声明（无 streaming API；generate 一次性返回整段 audio tensor，max_audio_length_ms=10_000）【厂商自报】README
TTFB / RTF未查到—

8.5 已知坑

环境要求【厂商自报】：CUDA GPU；已在 CUDA 12.4 和 12.6 上测试；Python 3.10 推荐；部分音频操作需要 ffmpeg；export NO_TORCH_COMPILE=1（禁用 Mimi 懒编译）。

GitHub issue 检索（repo:SesameAILabs/csm+blackwell+OR+5090+OR+sm_120）：

Issue标题状态
#118NVIDIA GeForce RTX 5080 with CUDA capability sm_120 is not compatible with the current PyTorch installationclosed

8.6 是否适合实时数字人 / 直播

不适合中文数字人。 理由：

9. GLM-TTS（zai-org / 智谱）⚠️ 许可证标注不一致

结论速览：Apache-2.0（GitHub LICENSE）但 HF 模型卡 frontmatter 写 license: mit —— 两者冲突，商用前必须书面确认。中文 CER 0.89（RL 版）/ 1.03（base），SIM 76.1~76.4，支持流式，1.5B，是 CosyVoice3 评测表中的对照模型。

9.1 仓库 / 模型卡 / 论文

项值核实
官方 GitHubhttps://github.com/zai-org/GLM-TTS[shields-verified]
Star 数1.1k[shields-verified]
License（shields）Apache-2.0[shields-verified]
License（仓库 LICENSE 文件）Apache-2.0（11338 B 全文）[正文已抓取] https://cdn.jsdelivr.net/gh/zai-org/GLM-TTS@main/LICENSE
⚠️ License（HF 模型卡）license: mit ← 与仓库 LICENSE 冲突[正文已抓取] https://hf-mirror.com/zai-org/GLM-TTS/raw/main/README.md frontmatter 第 8 行 license: mit；HF API tags = license:mit
Last commitapril[shields-verified]
HuggingFacehttps://huggingface.co/zai-org/GLM-TTS[正文已抓取] https://hf-mirror.com/zai-org/GLM-TTS/raw/main/README.md（200，4617 B）
中文说明README_zh.md[正文已抓取] https://cdn.jsdelivr.net/gh/zai-org/GLM-TTS@main/README_zh.md（13731 B）
ModelScopehttps://modelscope.cn/models/ZhipuAI/GLM-TTS【厂商自报】README
在线体验https://audio.z.ai/【厂商自报】README
arXivhttps://arxiv.org/abs/2512.14291 = GLM-TTS Technical Report，2025-12-16[arxiv-api-verified]

9.2 参数与资源

项值来源
参数量1.5B【第三方表】VoxCPM2 README 与 MOSS-TTS README 两表一致记 GLM-TTS = 1.5B；MOSS 表另记 GLM-TTS-RL = 1.5B
HF 张量数safetensors: null（该仓库未提供 safetensors 元数据，无法从 API 取精确参数量）[正文已抓取] https://hf-mirror.com/api/models/zai-org/GLM-TTS?blobs=false
训练数据仅 100k 小时（论文摘要，相对同代模型偏小）【厂商自报】论文摘要
架构两阶段：Llama 架构 LLM 生成语音 token → Flow Matching 生成 mel → vocoder【厂商自报】README
特色音素级混合输入（Phoneme-in）解决多音字；GRPO 多奖励 RL；LoRA 声音定制【厂商自报】README
VRAM未查到（README 未给 GB 数）—

9.3 中文质量数字

Seed-TTS-eval（seed-tts-eval zh testset，未开 --phoneme）：

模型CER ↓SIM ↑开源来源
MegaTTS31.5279.0🔒【厂商自报】GLM-TTS README
DiTAR1.0275.3🔒同上
CosyVoice31.1278.1🔒同上
Seed-TTS1.1279.6🔒同上
MiniMax0.8378.3🔒同上
CosyVoice21.3875.7👐同上
F5-TTS1.5376.0👐同上
FireRedTTS-21.1473.6👐同上
IndexTTS21.0376.5👐同上
VibeVoice1.1674.4👐同上
HiggsAudio-v21.5074.0👐同上
VoxCPM0.9377.2👐同上
GLM-TTS（Base）1.0376.1👐【厂商自报】
GLM-TTS_RL（Ours）0.8976.4👐【厂商自报】

第三方交叉验证（【第三方表】MOSS-TTS README）：GLM-TTS 1.5B → EN WER 2.23 / EN SIM 67.2 / ZH CER 1.03 / ZH SIM 76.1；GLM-TTS-RL → EN WER 1.91 / EN SIM 68.1 / ZH CER 0.89 / ZH SIM 76.4。 👉 自报与第三方完全吻合（1.03/76.1 与 0.89/76.4），可信度较高。

UTMOS / 自然度：未查到（README 未给 UTMOS）。

9.4 流式与实时性

项值来源
流式支持支持 — README Features："Streaming Inference: Support real-time streaming audio generation, suitable for interactive applications"；flow/flow.py 实现流式推理【厂商自报】README
推理命令python glmtts_inference.py --data=example_zh --exp_name=_test --use_cache【厂商自报】
TTFB / RTF（ms）未查到—
部署提供 NPU（昇腾 CANN）与 GPU 两条路径；requirements_npu.txt【厂商自报】

9.5 已知坑

环境要求【厂商自报】：Python 3.10–3.12；pip install -r requirements.txt；RL 模块需额外 clone s3prl 与 LaughterSegmentation 并下载 wavlm_large_finetune.pth。

GitHub issue 检索（repo:zai-org/GLM-TTS+error 与 +blackwell+OR+5090+OR+sm_120+OR+flash）：

Issue标题状态说明
#9Is this project using float32? The GPU utilization on the 5060ti 16G is only 40%open⚠️ RTX 5060 Ti 16GB（sm_120）上 GPU 利用率仅 40% —— 与本次选型目标硬件（RTX 5060 Ti 16GB）完全对应，是最直接的实测线索
#51LLM inference speed: 27ms/token on A100 - how to optimize?open速度优化空间
#3requirements.txt conflictsopen依赖冲突
#37No module named 'tn.chinese'open中文前端依赖缺失
#33TypeError: expected str, bytes or os.PathLike object, not NoneTypeopen—
#1Update numpy version in requirements.txtopen—
#44onnxruntime加速open—
#54基于昇腾NPU部署本模型时报错及运行时报错openNPU 路径不稳
#42win 和 macos 都安装 requirements 失败closed—
#24Installation and Runtime Optimizationsclosed—

9.6 是否适合实时数字人 / 直播

有条件适合 —— 但许可证需先澄清。 理由：

10. 其他 2026 主流开源 / 流式中文 TTS（扩展扫描）

10.1 IndexTTS-2.5（bilibili） — 对应任务书 "IndexTTS-3" 位次

注意：截至 2026-09-22，index-tts 仓库的最新版本是 IndexTTS-2.5，未发现 "IndexTTS-3"。

项值核实
官方 GitHubhttps://github.com/index-tts/index-tts[shields-verified]
Star 数24k[shields-verified]
Licensebilibili Model Use License Agreement（自定义，shields 显示 "not identifiable by github"）[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/index-tts/index-tts@main/LICENSE（10554 B，标题即 "bilibili Model Use License Agreement"）
Last commitaugust[shields-verified]
HuggingFacehttps://huggingface.co/IndexTeam/IndexTTS-2.5（另有 IndexTTS-2 / -1.5）[正文已抓取] https://hf-mirror.com/IndexTeam/IndexTTS-2.5/raw/main/README.md（200，4272 B）；license tag = license:other / bilibili-model-license
arXiv（2.5）https://arxiv.org/abs/2601.03888 = IndexTTS 2.5 Technical Report，2026-01-07（v5）[arxiv-api-verified]
arXiv（2）https://arxiv.org/abs/2506.21619 = IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech，2025-06-23[arxiv-api-verified]
arXiv（1）https://arxiv.org/abs/2502.05512 = IndexTTS: An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System，2025-02-08[arxiv-api-verified]
参数~0.8B GPT 骨干（HF 卡明示）；checkpoint：gpt.pth 3.26 GB、s2mel.pth 415 MB、codec.pth 607 MB（共 4.28 GB）【厂商自报】+ [正文已抓取] HF tree API
语言中、英、日、西、阿【厂商自报】
输出22.05 kHz【厂商自报】
中文质量⚠️ 该数字是 IndexTTS2（1.5B）的，不是 2.5 的：test-zh CER 1.03 / SIM 76.5【第三方表】VoxCPM2 README 行 IndexTTS2 | 1.5B、MOSS-TTS README 行 IndexTTS2 | 1.5B、GLM-TTS README 行 IndexTTS2 —— 三家表均标注为 IndexTTS2。IndexTTS-2.5 自己的 README/HF 卡未给 SeedTTS CER/SIM 数字 → IndexTTS-2.5 的中文指标：未查到
VRAM~6 GB（HF 卡："roughly 6 GB of VRAM for inference"）【厂商自报】
流式非原生流式 — issue #408 "How to stream Index-tts2 - Code / demo included"、issue #717 "感谢开源！能否有一些推理优化做到实时？我做的实时数字人急需！"（用户明确要实时数字人而不得）【用户报告】
商用⚠️ 基本可商用，但有门槛：许可 2.2 条规定，若你或关联方月活 >1 亿 或 上一年营收 > 10 亿人民币，必须另行申请授权。另有 2c 条：不得用本模型改进其他 AI 模型（改进非商业 AI 模型除外）。[正文已抓取] LICENSE 第 2.2、2(c) 条
坑需 CUDA Toolkit ≥12.8；issue #584 "Too long gpt_gen_time on RTX 5090 (Windows & WSL2)" ⚠️ sm_120 性能问题；issue #722 社区 C++/GGML 版在 RTX 5090 上达 3× 实时、长文本比 Python 快 5.6×；#728 Python 3.13；#304 deepspeed 安装失败【用户报告】

实时数字人适配性：⚠️ 一般 —— 质量好（SIM 76.5）、显存低（6GB），但无原生流式，且社区反复提"要实时"需求；RTX 5090 上生成耗时过长（#584）。

10.2 MOSS-TTS 家族（OpenMOSS / MOSI.AI） — MOSS-TTS-Realtime 是隐藏黑马

项值核实
官方 GitHubhttps://github.com/OpenMOSS/MOSS-TTS[shields-verified]
Star 数4.1k[shields-verified]
LicenseApache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/OpenMOSS/MOSS-TTS@main/LICENSE（11375 B，Apache 2.0 全文）
Last commitseptember[shields-verified]
HuggingFacehttps://huggingface.co/OpenMOSS-Team/MOSS-TTS（8B）、.../MOSS-TTS-v1.5、.../MOSS-TTS-Local-Transformer-v1.5（4B）、.../MOSS-TTS-Realtime、.../MOSS-TTS-Nano[正文已抓取] https://hf-mirror.com/OpenMOSS-Team/MOSS-TTS/raw/main/README.md（200，34624 B）、.../MOSS-TTS-Realtime/raw/main/README.md（200，9895 B）；license tag = apache-2.0
arXivhttps://arxiv.org/abs/2603.18090 = MOSS-TTS Technical Report，2026-03-18（v2）；tokenizer 论文 https://arxiv.org/abs/2602.10934 = MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models，2026-02-11[arxiv-api-verified]
参数MOSS-TTS (MossTTSDelay) = 8B（HF 实际 8,489,841,664 ≈ 8.49B BF16）；MossTTSLocal = 1.7B（v1.5 升至 4B）；MOSS-TTS-Nano = 0.1B；MOSS-TTS-Realtime = 未查到具体参数量[正文已抓取] HF API + 【厂商自报】README
中文质量（Seed-TTS-eval）MossTTSDelay 8B：ZH CER 1.37 / ZH SIM 76.98；MossTTSLocal 1.7B：ZH CER 1.44 / ZH SIM 79.62【厂商自报】README 对比表
流式（MOSS-TTS-Realtime）TTFB = 180 ms（after warm up）；RTF = 0.51（单张 L20，SDPA + torch.compile）；配 Qwen3.5-9B（vLLM）时 T_LLM首句(197ms) + TTFB(180ms) = 377 ms【厂商自报】README
VRAM8B 模型可跑在 8GB GPU 上（llama.cpp 路径优化；trt-8gb.yaml 低显存模式，分阶段加载）【厂商自报】README News（2026.3.10）
商用Apache-2.0 → 可商用[正文已抓取] LICENSE
服务化SGLang-Omni 与 vLLM-Omni 均 Day-0 支持，OpenAI 兼容 /v1/audio/speech【厂商自报】
坑未发现 sm_120 专项 issue（本次未针对该仓库做完整 issue 挖掘）—

实时数字人适配性：✅ 强 —— TTFB 180ms、RTF 0.51、8B 可塞 8GB 显存、Apache-2.0 可商用、vLLM-Omni/SGLang-Omni 一等支持。建议纳入候选池。

10.3 LongCat-AudioDiT（美团） — 中文 SIM 最强（81.8）

项值核实
官方 GitHubhttps://github.com/meituan-longcat/LongCat-AudioDiT[shields-verified]（README 亦 [正文已抓取] jsdelivr 9985 B）
Star 数580[shields-verified]
LicenseMIT[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/meituan-longcat/LongCat-AudioDiT@main/LICENSE（1064 B，MIT，Copyright (c) 2026 Meituan）
Last commitapril[shields-verified]
HuggingFacehttps://huggingface.co/meituan-longcat/LongCat-AudioDiT-3.5B（另有 -1B）[正文已抓取] https://hf-mirror.com/meituan-longcat/LongCat-AudioDiT-3.5B/raw/main/README.md（200，9756 B）；license tag = mit
arXivhttps://arxiv.org/abs/2603.29339 = LongCat-AudioDiT: High-Fidelity Diffusion Text-to-Speech in the Waveform Latent Space，2026-03-31[arxiv-api-verified]
参数3.5B（HF 实际 3,833,985,217 ≈ 3.83B，F32 存储）；另有 1B[正文已抓取] HF API
中文质量Seed-ZH SIM 0.818（自报 SOTA，超越 Seed-TTS 的 0.809）；Seed-Hard SIM 0.797（vs 0.776）【厂商自报】论文摘要 + HF 卡
第三方口径test-ZH CER 1.09 / SIM 81.8；test-EN WER 1.50 / SIM 78.6；test-Hard CER 6.04 / SIM 79.7【第三方表】VoxCPM2 README（SIM 81.8 是全表最高）
商用MIT → 可商用[正文已抓取] LICENSE
流式非自回归扩散模型 → README 未声明流式支持；TTFB/RTF 未查到—
VRAM未查到（3.83B F32 存储，权重本体约 15GB+，需注意）—
坑未做 sm_120 专项 issue 检索—

实时数字人适配性：⚠️ 质量极强但实时性不明 —— SIM 81.8 为全场最高、MIT 可商用，但非自回归扩散架构通常不适合流式；F32 权重体积大。建议作为"离线高质量配音"候选，而非实时直播候选。

10.4 Fish Audio S2 Pro（fishaudio/fish-speech） — 质量最强但禁商用

项值核实
官方 GitHubhttps://github.com/fishaudio/fish-speech[shields-verified]
Star 数33k[shields-verified]
License（shields）"not identifiable by github"[shields-verified]
⚠️ License（LICENSE 文件）FISH AUDIO RESEARCH LICENSE — 原文："This Agreement is intended to allow research and non-commercial uses of the Materials free of charge. Any Commercial use of the Materials requires a separate license from Fish Audio."[正文已抓取] https://cdn.jsdelivr.net/gh/fishaudio/fish-speech@main/LICENSE（10360 B，Last Updated: March 7, 2026）
Last commitlast wednesday（活跃）[shields-verified]
HuggingFacehttps://huggingface.co/fishaudio/s2-pro[正文已抓取] https://hf-mirror.com/fishaudio/s2-pro/raw/main/README.md（200，5117 B）
⚠️ HF 门禁license: other / license_name: fish-audio-research-license；门禁必勾选项原文："I agree to use this model for non-commercial use ONLY"[正文已抓取] 模型卡 frontmatter
arXivhttps://arxiv.org/abs/2603.08823 = Fish Audio S2 Technical Report，2026-03-09（v2）[arxiv-api-verified]
参数4B（Slow AR）+ 400M（Fast AR）；HF 实际张量 4,561,852,416 ≈ 4.56B（BF16）【厂商自报】HF 卡 + [正文已抓取] HF API
中文质量Seed-TTS Eval 中文 WER(CER) = 0.54 %（原文标注 "best overall"）；英文 WER 0.99%（best overall）【厂商自报】fish-speech README
第三方中文口径test-ZH CER 0.54（VoxCPM2 表）；CV3-eval zh 2.65（VoxCPM2 表）；MiniMax-MLS 中文 0.730（VoxCPM2 表）【第三方表】VoxCPM2 README
流式 / 实时RTF 0.195（单张 NVIDIA H200）；Time-to-first-audio ~100 ms；吞吐 3000+ acoustic tokens/s 且 RTF <0.5【厂商自报】HF 卡 "Production Streaming Performance"
编码RVQ 10 codebooks，~21 Hz 帧率【厂商自报】
语言80+ 语言（Tier 1: ja/en/zh）【厂商自报】
商用结论❌ 不可商用（需单独商业授权，联系 business@fish.audio）[正文已抓取] LICENSE + HF 门禁
坑未做 sm_120 专项 issue 检索—

实时数字人适配性：技术上最强（中文 CER 0.54、TTFA 100ms、RTF 0.195），但法律上出局（禁商用 + 门禁强制勾选非商用）。除非购买商业授权，否则不能用于商业数字人。

10.5 ZipVoice（k2-fsa / 小米） — 超轻量（123M）非自回归

项值核实
官方 GitHubhttps://github.com/k2-fsa/ZipVoice[shields-verified]
Star 数1.1k[shields-verified]
LicenseApache-2.0[shields-verified] + [正文已抓取] https://cdn.jsdelivr.net/gh/k2-fsa/ZipVoice@master/LICENSE（11357 B，Apache 2.0 全文）
Last commitdecember 2025[shields-verified]
HuggingFacehttps://huggingface.co/k2-fsa/ZipVoice（含 zipvoice / zipvoice_distill / zipvoice_dialog / zipvoice_dialog_stereo / libritts 变体）[正文已抓取] https://hf-mirror.com/k2-fsa/ZipVoice/raw/main/README.md（200，3216 B）
arXivhttps://arxiv.org/abs/2506.13053 = ZipVoice: Fast and High-Quality Zero-Shot Text-to-Speech with Flow Matching，2025-06-16（v3）；对话版 https://arxiv.org/abs/2507.09318 = ZipVoice-Dialog: Non-Autoregressive Spoken Dialogue Generation with Flow Matching，2025-07-12[arxiv-api-verified]
参数仅 123M（README 明示 "small and fast: only 123M parameters"）【厂商自报】README
语言中、英【厂商自报】
中文质量未查到 —— ZipVoice README 与 HF 卡均无 SeedTTS CER/SIM 表（论文里有，本次未解析 PDF）—
速度（论文摘要）与 SOTA 质量相当，比 DiT-based flow-matching 基线小 3 倍、快至 30 倍；蒸馏版可将采样步降到 4【厂商自报】论文摘要 / README
流式未声明流式（非自回归 flow matching，批次推理）；支持 ONNX / TensorRT（GPU 上约 2× 吞吐）【厂商自报】README
商用Apache-2.0 → 可商用—
坑k2 依赖与 PyTorch/CUDA 版本严格绑定（e.g. k2==1.24.4.dev20250208+cuda12.1.torch2.5.1）；⚠️ sm_120/CUDA 13 环境大概率没有预编译 k2 —— 官方 k2 索引以 cu12.x 为主【厂商自报】README
其他支持中文多音字手工标注 <chang2>；ONNX INT8 CPU 路径；不要用 ONNX 跑 GPU（比 PyTorch 慢）【厂商自报】README

实时数字人适配性：⚠️ 中等 —— 123M 极小、Apache-2.0 可商用、中英双语、有 TensorRT 路径；但非自回归、无流式 API，且 k2 编译在 CUDA 13/sm_120 上风险高。适合做轻量离线/准实时配音。

10.6 GLM-4-Voice（zai-org / THUDM）

项值核实
官方 GitHubhttps://github.com/zai-org/GLM-4-Voice（同仓库 https://github.com/THUDM/GLM-4-Voice）[shields-verified]
Star 数3.2k[shields-verified]
LicenseApache-2.0[shields-verified]
Last commitdecember 2024 ⚠️（最旧）[shields-verified]
HuggingFacezai-org/glm-4-voice-9b、zai-org/glm-4-voice-tokenizer、zai-org/glm-4-voice-decoder[正文已抓取] https://hf-mirror.com/zai-org/glm-4-voice-9b/raw/main/README.md（200，1143 B）；HF API 显示 glm-4-voice-9b 下载 9124、likes 121
arXivhttps://arxiv.org/abs/2412.02612 = GLM-4-Voice: Towards Intelligent and Human-Like End-to-End Spoken Chatbot，2024-12-03[arxiv-api-verified]
参数量9B（模型名 glm-4-voice-9b）【厂商自报】
中文质量（SeedTTS CER/SIM）未查到—
定位端到端语音对话 Chatbot（非纯 TTS）【厂商自报】

实时数字人适配性：⚠️ 偏旧（2024-12 最后提交），非 2026 主流选型。

10.7 MiniCPM-o（OpenBMB）

项值核实
官方 GitHubhttps://github.com/OpenBMB/MiniCPM-o[shields-verified]
Star 数26k[shields-verified]
LicenseApache-2.0[shields-verified]
Last commitseptember[shields-verified]
HuggingFaceopenbmb/MiniCPM-o-2_6[正文已抓取] https://hf-mirror.com/openbmb/MiniCPM-o-2_6/raw/main/README.md（200，50293 B）
定位端到端多模态（视觉+语音）实时对话模型，含 TTS 能力但不是专用 TTS【厂商自报】
已知坑（README 自述）⚠️ torchcodec 与 CUDA 版本兼容问题：torch>=2.11 默认捆绑 CUDA 13.1，CUDA 12.x 环境会报 RuntimeError: Could not load libtorchcodec；workaround 是钉 cu128 或降 triton/torchcodec[正文已抓取] README 第 202~210 行
中文质量（SeedTTS）未查到（非 SeedTTS 榜模型）—

10.8 Kimi-Audio（MoonshotAI）

项值核实
官方 GitHubhttps://github.com/MoonshotAI/Kimi-Audio[shields-verified]
Star 数4.7k[shields-verified]
License"not specified"（⚠️ 仓库未挂明确许可，商用性不明）[shields-verified] .../license/MoonshotAI/Kimi-Audio.json → not specified
Last commitjune 2025[shields-verified]
HuggingFacemoonshotai/Kimi-Audio-7B-Instruct[正文已抓取] https://hf-mirror.com/moonshotai/Kimi-Audio-7B-Instruct/raw/main/README.md（200，7175 B）
arXivhttps://arxiv.org/abs/2504.18425 = Kimi-Audio Technical Report，2025-04-25[arxiv-api-verified]
中文 ASR 表现AISHELL 0.64、AISHELL-2 2.67（见 Step-Audio 2 README 对比表，为 ASR 指标）【第三方表】—
定位音频理解 + 生成（非纯 TTS）—

10.9 Qwen3-TTS-Flash / MiniMax Speech / Qwen3-Omni

模型开源状态依据
Qwen3-TTS-Flash❌ 闭源，仅 API（阿里云百炼 Model Studio 产品）无开源仓库与权重；Qwen 官方开源的是 Qwen3-TTS 0.6B/1.7B 系列（§2）。Qwen3-TTS README 同时提供 DashScope API 链接 https://help.aliyun.com/zh/model-studio/qwen-tts-realtime【厂商自报】
MiniMax Speech❌ 未开源github.com/MiniMax-AI/MiniMax-Speech → shields 返回 "repo not found" [shields-verified]；论文存在：https://arxiv.org/abs/2505.07916 = MiniMax-Speech: Intrinsic Zero-Shot Text-to-Speech with a Learnable Speaker Encoder，2025-05-12 [arxiv-api-verified]
Qwen3-Omni✅ 开源，Apache-2.0，4k stars，last commit april[shields-verified] https://github.com/QwenLM/Qwen3-Omni；SeedTTS test-zh CER 1.07（VoxCPM2 表）【第三方表】
FunAudioLLM/CosyVoice✅ 24k stars，Apache-2.0，last commit may[shields-verified]；CosyVoice3 未开源（GLM-TTS 表标 🔒 No）
OpenBMB/MOSS-TTS见 §10.2—

11. 汇总对照表（仅列有可靠数据的项）

11.1 商用许可一览（选型第一道闸）

模型代码许可权重许可可否商用依据
Qwen3-TTSApache-2.0Apache-2.0 (HF tag)✅ 可LICENSE 全文 + HF tag
VoxCPM2Apache-2.0Apache-2.0✅ 可（README 明示 "free for commercial use"）LICENSE + HF tag + README 原文
FireRedTTS-2Apache-2.0Apache-2.0✅ 可LICENSE + HF tag
MOSS-TTSApache-2.0Apache-2.0✅ 可LICENSE + HF tag
LongCat-AudioDiTMITMIT✅ 可LICENSE + HF tag
ZipVoiceApache-2.0Apache-2.0 (未在 HF 验证 tag，但仓库 Apache)✅ 可LICENSE
GLM-TTSApache-2.0⚠️ HF 标 mit（与仓库冲突）⚠️ 大概率可，但文档冲突需确认两侧 LICENSE 分别抓取
Step-Audio 2 miniApache-2.0Apache-2.0✅ 可LICENSE + HF tag
Sesame CSMApache-2.0Apache-2.0✅ 可（但官方有 Misuse 条款禁止仿冒等用途）LICENSE + HF tag
IndexTTS-2.5bilibili 自定义bilibili 自定义⚠️ 可，但月活>1亿或营收>10亿人民币需另行授权；另禁止用于改进其他 AI 模型LICENSE 2.2 / 2(c) 条
VibeVoiceMITMIT⚠️ 法律上可（MIT），但官方明文"不建议商用/仅限研发"LICENSE(MIT) + README 声明
Higgs Audio v2Apache-2.0（仓库）⚠️ license: other（含义不明）❌/⚠️ 不可推定可商用；主线 v3 已明确非商用LICENSE(Apache) vs HF tag(other) vs 主 README(v3 非商用)
Spark-TTSApache-2.0⚠️ CC-BY-NC-SA-4.0❌ 权重不可商用LICENSE(Apache) vs HF frontmatter(cc-by-nc-sa-4.0)
Fish Audio S2 ProFish Audio Research LicenseFish Audio Research License❌ 不可（商用需单独授权；HF 门禁强制勾"non-commercial ONLY"）LICENSE + HF gated fields

11.2 中文质量对照（Seed-TTS-eval，口径已标注）

模型参数test-zh CER/WER % ↓test-zh SIM % ↑数据来源
LongCat-AudioDiT-3.5B3.5B1.0981.8【第三方表】VoxCPM2 README
VoxCPM22B0.9779.5【厂商自报】README
Qwen3-TTS-12Hz-1.7B-Base1.7B0.77（自报）/ 1.22~1.33（第三方）0.799（自报 SIM）/ 77.0~76.72（第三方）自报 vs 【第三方表】
GLM-TTS_RL1.5B0.8976.4【厂商自报】+【第三方表】一致
GLM-TTS (Base)1.5B1.0376.1【厂商自报】+【第三方表】一致
IndexTTS2（⚠️ 非 2.5）1.5B1.0376.5【第三方表】三家一致（均标 IndexTTS2）
IndexTTS-2.5~0.8B GPT 骨干未查到未查到官方 README / HF 卡未给 SeedTTS 数字
MossTTSLocal1.7B1.4479.62【厂商自报】
MossTTSDelay8B1.3776.98【厂商自报】
Fish Audio S2 Pro4B0.54未查到【厂商自报】README
FireRedTTS-21.5B1.1473.6【第三方表】三家一致
VibeVoice-1.5B1.5B1.1674.4【第三方表】三家一致
HiggsAudio-v23B1.5074.0【第三方表】三家一致
Spark-TTS-0.5B0.5B1.5466.0【第三方表】两家一致
Sesame CSM1B未查到未查到官方自述非英语"likely won't do well"
Step-Audio 28.32B (mini)未查到（TTS 侧）未查到仅 ASR 指标
ZipVoice123M未查到未查到论文含表，本轮未解析
OpenAudio-s1-mini（参照）0.5B1.1868.5【第三方表】VoxCPM2 README

11.3 流式 / 实时性对照

模型流式TTFB / 首包（ms）RTF来源类型
Qwen3-TTS✅97（端到端合成延迟，官方）未查到【厂商自报】
Fish Audio S2 Pro✅~100（TTFA，H200）0.195（H200）【厂商自报】
FireRedTTS-2✅140（L20）未查到【厂商自报】
MOSS-TTS-Realtime✅180（L20，after warm up）0.51（L20）【厂商自报】
VoxCPM2✅未查到~0.30（4090）/ ~0.13（Nano-VLLM）【厂商自报】
VibeVoice-Realtime-0.5B✅~200 / ~300（官方两处冲突；取保守 300）未查到【厂商自报】
Higgs Audio v2✅~650（用户实测 vLLM）未查到【用户报告】issue #37
GLM-TTS✅未查到未查到【厂商自报】
Spark-TTS❌—0.1362（L20，并发1）；平均延迟 876 ms【厂商自报】
VibeVoice-TTS-1.5B❌（长文整段）—未查到—
LongCat-AudioDiT❌（非自回归扩散）未查到未查到—
IndexTTS-2.5❌（社区有 streaming 尝试，issue #408）未查到未查到—
ZipVoice❌未查到未查到—
Sesame CSM❌未查到未查到—
Step-Audio 2✅（需 vLLM 后端）未查到未查到【厂商自报】

11.4 显存与参数

模型参数量官方 VRAM权重存储 dtype依据
MineCPM-o / 其他————
MossTTSDelay (MOSS-TTS)8.49B8 GB 可跑（llama.cpp 优化 / trt-8gb.yaml 分阶段加载）BF16【厂商自报】+ HF API
Higgs Audio v25.77B（HF）/ "3.6B LLM + 2.2B adapter"≥24 GB（README 明示）BF16【厂商自报】+ HF API
Step-Audio-2-mini8.32B未查到BF16HF API
Fish Audio S2 Pro4.56B（4B Slow AR + 400M Fast AR）未查到BF16HF API + 卡片
LongCat-AudioDiT-3.5B3.83B未查到F32HF API
VibeVoice-1.5B2.70B未查到（issue：24GB 卡 >30min 音频 OOM）BF16HF API + issue #367
VoxCPM22.29B / 标称 2B~8 GBBF16HF API + 卡片
Qwen3-TTS-12Hz-1.7B-Base1.93B / 标称 1.7B未查到BF16HF API
IndexTTS-2.5~0.8B GPT 骨干~6 GBcheckpoint 混合【厂商自报】
GLM-TTS1.5B（第三方表）未查到未查到【第三方表】
FireRedTTS-21.5B（第三方表）9 GB（bf16）/ 14 GB（fp32）bf16【厂商自报】+【第三方表】
Sesame CSM1.55B（HF）/ 标称 1B未查到F32HF API
VibeVoice-Realtime-0.5B1.02B未查到BF16HF API
Spark-TTS-0.5B0.5B未查到未查到—
ZipVoice123M未查到未查到【厂商自报】

11.5 sm_120 / Blackwell（RTX 50 系）风险对照 ⚠️ 本次选型硬件为 RTX 5060 Ti 16GB（sm_120）

模型sm_120 相关发现严重度
Qwen3-TTS专项检索 total_count = 0（无任何 sm_120 issue）🟢 低
FireRedTTS-2未检索到 sm_120 issue；但锁 torch 2.7.1 + cu126🟡 中（需对齐 CUDA 版本）
MOSS-TTS未发现专项 issue；官方维护 llama.cpp CUDA 路径（含 flash_attn 开关）🟡 中（待实测）
GLM-TTS⚠️ issue #9：RTX 5060 Ti 16G 上 GPU 利用率仅 40%，用户质疑是否 float32 —— 与本次目标硬件完全一致🔴 高
VoxCPM2⚠️ #250 Blackwell/sm_120 Docker 支持（open）、#326 Blackwell CUDA graph 音质劣化、#282 Blackwell 比 4090 慢、#102 4090 segfault🔴 高
Higgs Audio v2⚠️ #39 Blackwell Docker 支持（open）、#177 libcudart.so.13 加载失败（open）🔴 高
Sesame CSM⚠️ #118 RTX 5080 sm_120 与当前 PyTorch 不兼容（closed）🔴 高
IndexTTS-2.5⚠️ #584 RTX 5090 生成耗时过长（Windows & WSL2）；#722 社区 C++/GGML 版在 5090 达 3× 实时🟠 中高
Spark-TTS未检索到 sm_120 issue；但权重禁商用 + 1.5 年未更新⚪（已被许可排除）
ZipVoice⚠️ k2 预编译包主要面向 cu12.x，CUDA 13/sm_120 大概率需自行编译🟠 中高
VibeVoice未检索到 sm_120 专项；但 #210/#367 VRAM-时长耦合 OOM🟠 中高

12. 面向"实时数字人 / 直播"的初步排序（基于本文数据的建议，非最终结论）

档位模型核心理由主要风险
第一梯队Qwen3-TTS（0.6B 优先试）97ms 官方延迟；原生流式；Apache-2.0 可商用；sm_120 零 issue；中文 CER 0.77~1.33 / SIM 76.7~79.9VRAM 未公布
第一梯队FireRedTTS-2140ms 首包；原生流式对话；9GB 显存；4 说话人；Apache-2.0 可商用torch/cu126 锁定；单句 CER 1.14 一般
第一梯队MOSS-TTS-Realtime180ms TTFB；RTF 0.51；Apache-2.0 可商用；vLLM-Omni/SGLang 一等支持细节数据需补测
第二梯队VoxCPM2RTF 0.13~0.30；48kHz；~8GB；中文 CER 0.97 / SIM 79.5；Apache-2.0 可商用sm_120 多个 open issue（#250/#282/#326）
第二梯队GLM-TTS流式；中文 CER 0.89；音素级控制；自报与第三方吻合license 冲突（Apache vs MIT）；#9 直指 5060 Ti 利用率 40%
第三梯队IndexTTS-2.5中文 SIM 76.5；~6GB 显存无原生流式；#584 RTX 5090 慢；许可有营收门槛
需授权才可考虑Fish Audio S2 Pro中文 CER 0.54（最强）；TTFA 100ms；RTF 0.195禁商用，需购买商业授权
排除（许可）Spark-TTS—权重 CC-BY-NC-SA-4.0
排除（架构/定位）Higgs Audio v2 / VibeVoice / Sesame CSM / LongCat-AudioDiT / ZipVoice / Step-Audio 2见各自章节24GB 显存 / 下架+仅英文 / 中文弱 / 非流式 / k2 编译 / 显存未知

13. 来源清单（本次实际抓取并据以得出结论的每一个 URL）

13.1 GitHub 仓库内容（通过 cdn.jsdelivr.net/gh/... 或 raw.githubusercontent.com 实际抓取正文）

#URL用途结果
1https://cdn.jsdelivr.net/gh/OpenBMB/VoxCPM@main/README.mdVoxCPM2 正文200 / 42395 B
2https://cdn.jsdelivr.net/gh/OpenBMB/VoxCPM@main/LICENSEVoxCPM2 许可200 / 11298 B (Apache-2.0)
3https://cdn.jsdelivr.net/gh/QwenLM/Qwen3-TTS@main/README.md（亦经 raw）Qwen3-TTS 正文200 / 60501 B
4https://cdn.jsdelivr.net/gh/QwenLM/Qwen3-TTS@main/LICENSEQwen3-TTS 许可200 / 11343 B (Apache-2.0)
5https://cdn.jsdelivr.net/gh/FireRedTeam/FireRedTTS2@main/README.mdFireRedTTS-2 正文200 / 14583 B
6https://cdn.jsdelivr.net/gh/FireRedTeam/FireRedTTS2@main/LICENSEFireRedTTS-2 许可200 / 11357 B (Apache-2.0)
7https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio2@main/README.md（亦经 raw）Step-Audio 2 正文200 / 36591 B
8https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio2@main/LICENSEStep-Audio 2 许可200 / 11357 B (Apache-2.0)
9https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio@main/README.mdStep-Audio（旧）正文200 / 37303 B
10https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio-R1@main/README.mdStep-Audio-R1 正文200 / 15962 B
11https://cdn.jsdelivr.net/gh/stepfun-ai/Step-Audio-EditX@main/README.mdStep-Audio-EditX 正文200 / 44435 B
12https://cdn.jsdelivr.net/gh/SparkAudio/Spark-TTS@main/README.md（亦经 raw）Spark-TTS 正文200 / 11232 B
13https://cdn.jsdelivr.net/gh/SparkAudio/Spark-TTS@main/LICENSESpark-TTS 代码许可200 / 11357 B (Apache-2.0)
14https://cdn.jsdelivr.net/gh/boson-ai/higgs-audio@main/README.mdHiggs 主 README（v3 非商用）200 / 3357 B
15https://cdn.jsdelivr.net/gh/boson-ai/higgs-audio@main/README_V2.mdHiggs v2 归档文档200 / 17233 B
16https://cdn.jsdelivr.net/gh/boson-ai/higgs-audio@main/LICENSEHiggs 仓库许可200 / 10141 B (Apache-2.0)
17https://cdn.jsdelivr.net/gh/microsoft/VibeVoice@main/README.mdVibeVoice 主 README200 / 13031 B
18https://cdn.jsdelivr.net/gh/microsoft/VibeVoice@main/docs/vibevoice-tts.mdVibeVoice-TTS 文档（Disabled）200 / 8126 B
19https://cdn.jsdelivr.net/gh/microsoft/VibeVoice@main/docs/vibevoice-realtime-0.5b.mdVibeVoice-Realtime 文档200 / 8095 B
20https://cdn.jsdelivr.net/gh/microsoft/VibeVoice@main/LICENSEVibeVoice 许可200 / 1066 B (MIT)
21https://cdn.jsdelivr.net/gh/SesameAILabs/csm@main/README.mdCSM 正文200 / 5515 B
22https://cdn.jsdelivr.net/gh/SesameAILabs/csm@main/LICENSECSM 许可200 / 11357 B (Apache-2.0)
23https://cdn.jsdelivr.net/gh/zai-org/GLM-TTS@main/README.mdGLM-TTS 正文200 / 15190 B
24https://cdn.jsdelivr.net/gh/zai-org/GLM-TTS@main/README_zh.mdGLM-TTS 中文200 / 13731 B
25https://cdn.jsdelivr.net/gh/zai-org/GLM-TTS@main/LICENSEGLM-TTS 仓库许可200 / 11338 B (Apache-2.0)
26https://cdn.jsdelivr.net/gh/zai-org/GLM-4-Voice@main/README.md（亦 THUDM/）GLM-4-Voice 正文200 / 7739 B
27https://cdn.jsdelivr.net/gh/k2-fsa/ZipVoice@master/README.mdZipVoice 正文200 / 15330 B
28https://cdn.jsdelivr.net/gh/k2-fsa/ZipVoice@master/LICENSEZipVoice 许可200 / 11357 B (Apache-2.0)
29https://cdn.jsdelivr.net/gh/index-tts/index-tts@main/README.mdIndexTTS 正文200 / 25219 B
30https://cdn.jsdelivr.net/gh/index-tts/index-tts@main/LICENSEIndexTTS 许可200 / 10554 B (bilibili Model Use License)
31https://cdn.jsdelivr.net/gh/OpenMOSS/MOSS-TTS@main/README.mdMOSS-TTS 正文200 / 57241 B
32https://cdn.jsdelivr.net/gh/OpenMOSS/MOSS-TTS@main/LICENSEMOSS-TTS 许可200 / 11375 B (Apache-2.0)
33https://cdn.jsdelivr.net/gh/meituan-longcat/LongCat-AudioDiT@main/README.mdLongCat 正文200 / 9985 B
34https://cdn.jsdelivr.net/gh/meituan-longcat/LongCat-AudioDiT@main/LICENSELongCat 许可200 / 1064 B (MIT)
35https://cdn.jsdelivr.net/gh/fishaudio/fish-speech@main/README.mdFish Audio S2 正文200 / 12065 B
36https://cdn.jsdelivr.net/gh/fishaudio/fish-speech@main/LICENSEFish Audio 许可200 / 10360 B (Fish Audio Research License，禁商用)
37https://cdn.jsdelivr.net/gh/microsoft/VibeASR.cpp@main/README.mdVibeASR.cpp 正文200 / 7844 B
38https://cdn.jsdelivr.net/gh/MoonshotAI/Kimi-Audio@main/README.mdKimi-Audio 正文200 / 21856 B
39https://cdn.jsdelivr.net/gh/OpenBMB/MiniCPM-o@main/README.mdMiniCPM-o 正文200 / 122707 B
40https://raw.githubusercontent.com/OpenBMB/VoxCPM/main/README.mdVoxCPM2（raw 路径验证）200

13.2 shields.io（GitHub star / license / last-commit）

URL 模板用途
https://img.shields.io/github/stars/<owner>/<repo>.jsonstar 数
https://img.shields.io/github/license/<owner>/<repo>.json仓库许可
https://img.shields.io/github/last-commit/<owner>/<repo>.json最后提交
已查询仓库OpenBMB/VoxCPM, QwenLM/Qwen3-TTS, FireRedTeam/FireRedTTS2, FireRedTeam/FireRedTTS, stepfun-ai/Step-Audio2, stepfun-ai/Step-Audio, stepfun-ai/Step-Audio-EditX, SparkAudio/Spark-TTS, boson-ai/higgs-audio, microsoft/VibeVoice, microsoft/VibeASR.cpp, SesameAILabs/csm, zai-org/GLM-TTS, zai-org/GLM-4-Voice, THUDM/GLM-4-Voice, k2-fsa/ZipVoice, index-tts/index-tts, MoonshotAI/Kimi-Audio, OpenBMB/MiniCPM-o, OpenBMB/MiniCPM-o-2_6, fishaudio/fish-speech, MiniMax-AI/MiniMax-Speech, OpenMOSS/MOSS-TTS, meituan-longcat/LongCat-AudioDiT, QwenLM/Qwen3-Omni, FunAudioLLM/CosyVoice, zai-org/GLM-TTS-Flash, microsoft/VibeVoice-Realtime

13.3 HuggingFace 模型卡（经 hf-mirror.com 镜像抓取）

#URL结果
41https://hf-mirror.com/openbmb/VoxCPM2/raw/main/README.md200 / 7939 B
42https://hf-mirror.com/OpenBMB/VoxCPM-0.5B/raw/main/README.md200 / 12719 B
43https://hf-mirror.com/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md200 / 57846 B
44https://hf-mirror.com/Qwen/Qwen3-TTS-12Hz-1.7B-Base/raw/main/README.md200 / 57817 B
45https://hf-mirror.com/Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice/raw/main/README.md200 / 3263 B
46https://hf-mirror.com/FireRedTeam/FireRedTTS2/raw/main/README.md200 / 8883 B
47https://hf-mirror.com/stepfun-ai/Step-Audio-2-mini/raw/main/README.md200 / 32766 B
48https://hf-mirror.com/SparkAudio/Spark-TTS-0.5B/raw/main/README.md200 / 6467 B
49https://hf-mirror.com/bosonai/higgs-audio-v2-generation-3B-base/raw/main/README.md200 / 25825 B
50https://hf-mirror.com/microsoft/VibeVoice-1.5B/raw/main/README.md200 / 7279 B
51https://hf-mirror.com/microsoft/VibeVoice-Realtime-0.5B/raw/main/README.md200 / 10160 B
52https://hf-mirror.com/microsoft/VibeVoice-ASR/raw/main/README.md200 / 4345 B
53https://hf-mirror.com/sesame/csm-1b （HTML 页面；raw README 返回 401 gated）200 / 49036 B
54https://hf-mirror.com/zai-org/GLM-TTS/raw/main/README.md200 / 4617 B
55https://hf-mirror.com/zai-org/glm-4-voice-9b/raw/main/README.md200 / 1143 B
56https://hf-mirror.com/k2-fsa/ZipVoice/raw/main/README.md200 / 3216 B
57https://hf-mirror.com/IndexTeam/IndexTTS-2.5/raw/main/README.md200 / 4272 B
58https://hf-mirror.com/IndexTeam/IndexTTS-2/raw/main/README.md200 / 2511 B
59https://hf-mirror.com/OpenMOSS-Team/MOSS-TTS/raw/main/README.md200 / 34624 B
60https://hf-mirror.com/OpenMOSS-Team/MOSS-TTS-v1.5/raw/main/README.md200 / 13744 B
61https://hf-mirror.com/OpenMOSS-Team/MOSS-TTS-Realtime/raw/main/README.md200 / 9895 B
62https://hf-mirror.com/meituan-longcat/LongCat-AudioDiT-3.5B/raw/main/README.md200 / 9756 B
63https://hf-mirror.com/fishaudio/s2-pro/raw/main/README.md200 / 5117 B
64https://hf-mirror.com/moonshotai/Kimi-Audio-7B-Instruct/raw/main/README.md200 / 7175 B
65https://hf-mirror.com/openbmb/MiniCPM-o-2_6/raw/main/README.md200 / 50293 B

13.4 HuggingFace API（hf-mirror）—— 参数量 / license tag / 门禁状态

#URL用途
66https://hf-mirror.com/api/models?search=<kw>&limit=25模型检索（Qwen3-TTS / Sesame / csm / GLM-4-Voice / VibeVoice / GLM-TTS / MOSS-TTS / openaudio / Fish-Audio / LongCat-AudioDiT）
67https://hf-mirror.com/api/models/openbmb/VoxCPM2?blobs=falseVoxCPM2：BF16 2,290,004,544；license:apache-2.0
68https://hf-mirror.com/api/models/Qwen/Qwen3-TTS-12Hz-1.7B-Base?blobs=falseQwen3-TTS：BF16 1,928,677,440
69https://hf-mirror.com/api/models/stepfun-ai/Step-Audio-2-mini?blobs=falseStep-Audio-2-mini：BF16 8,315,179,264
70https://hf-mirror.com/api/models/FireRedTeam/FireRedTTS2?blobs=falselicense:apache-2.0；safetensors null
71https://hf-mirror.com/api/models/zai-org/GLM-TTS?blobs=false⚠️ license:mit（与仓库 Apache-2.0 冲突）
72https://hf-mirror.com/api/models/IndexTeam/IndexTTS-2.5?blobs=falselicense:other
73https://hf-mirror.com/api/models/meituan-longcat/LongCat-AudioDiT-3.5B?blobs=falseF32 3,833,985,217；license:mit
74https://hf-mirror.com/api/models/OpenMOSS-Team/MOSS-TTS?blobs=falseBF16 8,489,841,664；license:apache-2.0
75https://hf-mirror.com/api/models/microsoft/VibeVoice-1.5B?blobs=falseBF16 2,704,021,985；license:mit
76https://hf-mirror.com/api/models/microsoft/VibeVoice-Realtime-0.5B?blobs=falseBF16 1,017,626,722；license:mit
77https://hf-mirror.com/api/models/sesame/csm-1b?blobs=falseF32 1,552,791,552；license:apache-2.0；gated:auto
78https://hf-mirror.com/api/models/bosonai/higgs-audio-v2-generation-3B-base?blobs=falseBF16 5,771,283,456；⚠️ license:other
79https://hf-mirror.com/api/models/fishaudio/s2-pro?blobs=falseBF16 4,561,852,416；⚠️ license:other
80https://hf-mirror.com/api/models/SparkAudio/Spark-TTS-0.5B?blobs=false⚠️ license:cc-by-nc-sa-4.0
81https://hf-mirror.com/api/models/zai-org/GLM-TTS/tree/main文件列表（0 GB → 仓库结构特殊）
82https://hf-mirror.com/api/models/FireRedTeam/FireRedTTS2/tree/mainllm_pretrain.pt 8.27GB / llm_posttrain.pt 8.27GB / codec.pt 4.30GB
83https://hf-mirror.com/api/models/IndexTeam/IndexTTS-2.5/tree/maingpt.pth 3.26GB / s2mel.pth 415MB / codec.pth 607MB

13.5 arXiv API 验证（https://export.arxiv.org/api/query?id_list=<id> 与 search_query=）

#arXiv ID验证得到的标题发布
842601.15621Qwen3-TTS Technical Report2026-01-22
852606.06928VoxCPM2 Technical Report2026-06-05
862509.24650VoxCPM: Tokenizer-Free TTS for Context-Aware Speech Generation and True-to-Life Voice Cloning2025-09-29
872509.02020FireRedTTS-2: Towards Long Conversational Speech Generation for Podcast and Chatbot2025-09-02
882507.16632Step-Audio 2 Technical Report2025-07-22
892502.11946Step-Audio: Unified Understanding and Generation in Intelligent Speech Interaction2025-02-17
902511.15848Step-Audio-R1 Technical Report2025-11-19
912511.03601Step-Audio-EditX Technical Report2025-11-05
922503.01710Spark-TTS: An Efficient LLM-Based Text-to-Speech Model with Single-Stream Decoupled Speech Tokens2025-03-03
932508.19205VibeVoice Technical Report2025-08-26
942512.14291GLM-TTS Technical Report2025-12-16
952412.02612GLM-4-Voice: Towards Intelligent and Human-Like End-to-End Spoken Chatbot2024-12-03
962506.13053ZipVoice: Fast and High-Quality Zero-Shot Text-to-Speech with Flow Matching2025-06-16
972507.09318ZipVoice-Dialog: Non-Autoregressive Spoken Dialogue Generation with Flow Matching2025-07-12
982601.03888IndexTTS 2.5 Technical Report2026-01-07
992506.21619IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech2025-06-23
1002502.05512IndexTTS: An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System2025-02-08
1012603.18090MOSS-TTS Technical Report2026-03-18
1022602.10934MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models2026-02-11
1032603.29339LongCat-AudioDiT: High-Fidelity Diffusion Text-to-Speech in the Waveform Latent Space2026-03-31
1042603.08823Fish Audio S2 Technical Report2026-03-09
1052504.18425Kimi-Audio Technical Report2025-04-25
1062505.07916MiniMax-Speech: Intrinsic Zero-Shot Text-to-Speech with a Learnable Speaker Encoder2025-05-12
—all:"Higgs Audio" / ti:"Higgs" / all:"Boson AI"无相关论文条目 → Higgs Audio v2/v3 无 arXiv 论文—
—all:"Sesame CSM conversational speech"无相关论文条目 → Sesame CSM 无 arXiv 论文—

人类可读论文页（均返回 200）： https://arxiv.org/abs/2601.15621、/2606.06928、/2509.02020、/2507.16632、/2503.01710、/2508.19205、/2512.14291、/2506.13053、/2507.09318、/2601.03888、/2506.21619、/2502.05512、/2603.18090、/2602.10934、/2603.29339、/2603.08823、/2504.18425、/2505.07916、/2412.02612、/2502.11946、/2511.15848、/2511.03601、/2509.24650

13.6 GitHub Issues API 检索（https://api.github.com/search/issues?q=...）

#查询total_count关键 issue
107repo:OpenBMB/VoxCPM+sm_1203#250, #326, #269
108repo:OpenBMB/VoxCPM+blackwell5#250, #282, #326, #102, #269
109repo:QwenLM/Qwen3-TTS+flash-attn33#372, #373, #350, #369, #370, #345, #179, #124
110repo:QwenLM/Qwen3-TTS+sm_1200—
111repo:microsoft/VibeVoice+50901#210
112repo:microsoft/VibeVoice+flash-attn24#377, #367, #332, #210, #185, #340, #418
113repo:zai-org/GLM-TTS+error8#1, #37, #3, #54, #33, #44, #24, #42
114repo:zai-org/GLM-TTS+blackwell+OR+5090+OR+sm_120+OR+flash3#9（RTX 5060 Ti 16G 利用率 40%）, #51, #3
115repo:boson-ai/higgs-audio+blackwell+OR+5090+OR+sm_120+OR+flash5#39（Blackwell Docker）, #177, #186, #37（TTFB 650ms）, #18
116repo:index-tts/index-tts+blackwell+OR+5090+OR+sm_12016#584（RTX 5090 慢）, #722, #408, #717, #728, #304, #326
117repo:stepfun-ai/Step-Audio2+blackwell+OR+5090+OR+vllm34#57, #66, #61, #86, #68, #69
118repo:SesameAILabs/csm+blackwell+OR+5090+OR+sm_1201#118（RTX 5080 sm_120 不兼容）
119repo:k2-fsa/ZipVoice+blackwell+OR+5090+OR+sm_1201#114（训练 CPU 内存增长，无关）
120repo:SparkAudio/Spark-TTS+blackwell+OR+5090+OR+sm_120+OR+torch（限流，未取得）—

13.7 GitHub 仓库主页（人类可读；本机 github.com HTML 多数超时，仅少数偶发 200）

13.8 web_search 用于发现候选（返回 URL 列表，未作为证据）

14. 明确"未查到"的字段汇总（不得在后续报告中编造）

模型未查到的字段
VoxCPM2TTFB（ms）、UTMOS
Qwen3-TTSVRAM（GB）、RTF、UTMOS
FireRedTTS-2RTF、UTMOS、官方参数量（仅第三方表 1.5B）
Step-Audio 2TTS 侧 SeedTTS CER/SIM、UTMOS、TTFB、RTF、VRAM、官方参数量
Spark-TTS中文官方数字、UTMOS、TTFB、VRAM
Higgs Audio v2arXiv 论文（确认不存在）、RTF、UTMOS、v2 权重的明确许可名称（HF 仅 other）
VibeVoiceVibeVoice-TTS 的 RTF/VRAM 官方值、UTMOS、TTS 代码（已下架）
Sesame CSMarXiv 论文（确认不存在）、中文全部指标、TTFB、RTF、VRAM
GLM-TTSVRAM、TTFB、RTF、UTMOS、精确参数量（HF 无 safetensors 元数据）、许可以 HF(mit) 还是 GitHub(Apache-2.0) 为准
IndexTTS-2.5TTFB、RTF、是否/如何流式（仅社区 issue）
MOSS-TTSRealtime 版参数量、各版本 VRAM 精确值、UTMOS
LongCat-AudioDiT流式支持、TTFB、RTF、VRAM
Fish Audio S2 Protest-zh SIM、UTMOS
ZipVoiceSeedTTS CER/SIM
GLM-4-Voice中文 SeedTTS 指标、VRAM
MiniCPM-o中文 SeedTTS 指标
Kimi-AudioLicense 完全未指定
Qwen3-TTS-Flash无开源仓库/权重（闭源 API）
MiniMax Speech无开源仓库（仅论文）
Higgs Audio v3开权重但明确非商用，未深挖参数
VibeVoice-ASR-Streaming / BitNet本轮未深挖（非 TTS 主线）

文档结束。本文件为原始素材（raw），后续"数字人选型结论"应在此基础上做取舍，并保留"厂商自报 vs 第三方"的口径区分。

下载此文件