【agent】AI 数字人构建15：GPT5的TTS 选型分析

• gpt5 深度思考：

TTS 开源选型 （202511）

现在“适合数字人”的 TTS，已经不再是单看 MOS/拟真度，而是看 三件事同时成立：

1. 流式首包低（<250ms）
2. 可控与表达强（情绪/节奏/停连/风格）
3. 说话人一致性/克隆能力稳定（一个角色长期不飘）

我按“数字人交互 / 数字人影视（MV、配音）”两类场景给你一个比较实用的模型+工程选型。

---

一、交互型数字人（实时对话、语音助手）首选

1) CosyVoice2（你正在测的这条线）

定位：实时交互的工业级流式 TTS 当前最稳的开源选择。

• 设计就是为 streaming 优化，官方/社区给到 首包 ~150ms 级别，且 streaming 与 offline 质量差距很小。(arXiv