ChatTTS、F5-TTS、CosyVoice、Fish Speech 本地语音合成对比（硬件与许可证）
四款本地 TTS 中只有 ChatTTS 给出了显存数字（生成 30 秒音频至少需要 4GB），另外三款 README 都没写显存要求。ChatTTS 的代码是 AGPL、模型限非商用；Fish Speech 使用自定义许可。商用前请阅读原文。
更新：2026-10-16
结论
要按显存挑工具，目前只有 ChatTTS 能拿来对照：它的 FAQ 写着生成 30 秒音频至少需要 4GB 显存。F5-TTS、CosyVoice、Fish Speech 的 README 都没有给出显存数值，本站无法判断你的显卡能不能跑。许可证差别比硬件差别更大：ChatTTS 代码为 AGPL，模型限非商用；F5-TTS 代码为 MIT，预训练模型为 CC-BY-NC；Fish Speech 使用自定义许可。打算用于商业或公开服务的话，请先读完各自的许可证原文。
硬件对比
| 工具 | 显存（README） | 硬件/部署相关说明 |
|---|---|---|
| ChatTTS | 生成 30 秒音频至少 4GB | 在 4090 上约每秒 7 个 semantic token，RTF 约 0.3；可 pip 安装，有 Colab |
| F5-TTS | README 未说明显存 | 支持 NVIDIA（CUDA）、AMD（ROCm，仅 Linux）、Intel（XPU）；省略 ref_text 时会额外调用 ASR，占用更多显存 |
| CosyVoice | README 未说明显存 | 提供 Docker（—runtime=nvidia）、vllm、TensorRT-LLM 部署 |
| Fish Speech | README 未说明显存 | README 称其“小到可部署在消费级 GPU 上”，但没有给出具体数值 |
“未说明”既不代表跑不了，也不代表一定能跑，以实际测试和官方文档为准。
许可证对比
| 工具 | 代码许可（CSV） | README 中关于模型的说明 |
|---|---|---|
| ChatTTS | AGPL-3.0 | 模型为 CC BY-NC 4.0，仅用于教育和研究，不得用于商业或违法用途 |
| F5-TTS | MIT | 因训练数据 Emilia 的原因，预训练模型为 CC-BY-NC |
| CosyVoice | Apache-2.0 | 本站摘录的 README 内容中没有单独说明权重许可；README 免责声明称演示内容仅供学术用途 |
| Fish Speech | Fish Audio Community License（自定义） | README 称 S2-Pro 权重仍适用 Fish Audio Research License，并声明会对违反许可的行为采取行动 |
重点提醒：
- ChatTTS（AGPL）：AGPL 对“修改后以网络服务形式提供”同样有开源要求。准备把它部署成对外服务的话，请先读许可证原文。另外，它的模型本身限非商用。
- Fish Speech（自定义许可）：GitHub API 显示为 NOASSERTION，属于非标准开源许可，商用前务必自行阅读 LICENSE 原文。
- CosyVoice 的仓库已从 FunAudioLLM/CosyVoice 迁到 QwenAudio/CosyVoice，查资料时注意使用新地址。
怎么选
- 显卡在 4GB 左右、想有个明确的显存参考：目前只有 ChatTTS 给了数字。
- 用 A 卡或 Intel 显卡：四款中 F5-TTS 的 README 明确列出了 ROCm 和 XPU 安装方式。
- 需要服务化部署：CosyVoice 提供 Docker 和 FastAPI/gRPC 服务。
- 不论选哪款，涉及商用时请优先核对模型权重的许可，而不只看代码许可。
数据来源与核验日期
- ChatTTS：https://github.com/2noise/ChatTTS
- F5-TTS：https://github.com/SWivid/F5-TTS
- CosyVoice：https://github.com/QwenAudio/CosyVoice
- Fish Speech：https://github.com/fishaudio/fish-speech
- 核验日期：2026-10-16（北京时间）
合规提示
请勿在未经授权的情况下克隆真人声线；发布 AI 生成的内容时，请按平台规则标注。