开源语音TTS与ASR大模型选型指南（2025最新版）（疯聊AI提供）

一、引言

之前作为技术经理参加了一个项目，是个过千万的大项目中有一小块要做智能客服机器人，需要实现移动端语音交互，但不接受SAAS方式，我们前期尝试采购国内某大厂的语音平台，虽然对方给予了极大优惠，但费用还是有点高，成本Hold不住。因此就转向寻求开源语音组件。

首先，介绍一下语音的相关功能，其实主要有两块功能，一个是语音合成，也就是文本转语音（Text to Speech，即TTS），二是自动语音识别（Automatic Speech Recognition，即ARS），在大模型出来之前，像讯飞、百度这些公司已经有比较成熟的产品，就像翻译类的产品一样，但大模型出来之后，特别是开源大模型出来之后，免费效果又好，他们的传统语音产品想要再卖个好价钱，就太难了，纷纷投入开发了语音大模型，今天我们要讨论的不是他们的商用语音大模型，而是开源的语音大模型。

近两三年，开源语音大模型在文本到语音（TTS）和自动语音识别（ASR）领域的技术突破，大量侵占了传统语音产品的市场，特别是最近我国的MiniMax推出的TTS大模型Speech-02-HD模型效果震惊世人，取得国际权威语音评测榜单Artificial Analysis和Hugging Face维护的TTS-Arena2榜单两个语音大模型榜单的Top1，借这个机会我觉得有必要重新梳理一下语音大模型的内容。因为我隐隐感觉到语音大模型的市场要变天了，根据IDC数据，2025年中国人工智能语音市场规模预计达到387亿元，同比增长20.5%，其中开源技术的渗透率预计超过40%。在技术层面，开源模型的语音识别准确率已超过97%，TTS自然度提升至88%，并预计未来将进一步提高，进一步推动智能客服、智能家居、智能汽车、医疗、教育等多个行业的语音应用变革。

然而，面对市场上众多的开源语音大模型产品，如何选择最适合自身需求的TTS和ASR解决方案成为企业和开发者的关键挑战。本文通过分析当前主流TTS和ARS开源项目进行对比总结，以供大家参考。

二、TTS主流开源模型对比