语音合成服务 (TTS) 总览与音色选型
在 DuRT 3.0 的视听创作闭环中，语音合成（TTS, Text-to-Speech） 赋予了字幕内容“发声”的能力。配合 DAG 工作流的 textToSpeech 节点，您可以将转录后的文本或多语言翻译结果，直接批量合成高质量音频，实现一键多语言视频配音与音频旁白生成。
3 大 TTS 引擎能力矩阵对比
DuRT 客户端在 设置 (Settings) ➔ 语音合成 (Text to Speech) 面板中，支持接入以下三大主力引擎：
| TTS 引擎 | 架构类型 | 代表模型 | 拟真音色设计 (Voice Design) | 声音克隆 (Voice Clone) | 支持音色与语言 | 最佳适用场景 |
|---|---|---|---|---|---|---|
| 🎙️ 小米 MiMo | 云端神经语音 | mimo-v2.5-ttsmimo-v2.5-tts-voicedesignmimo-v2.5-tts-voiceclone | ✅ 独家支持 (自然语言描述音色) | ✅ 支持 (数秒短音频克隆) | 极致拟真人声，情感饱满，中英文俱佳 | 影视解说、视频故事旁白、自媒体个性化专属声音IP |
| 🔊 OpenAI TTS | 官方云端接口 | tts-1tts-1-hd | ❌ 固定官方音色 | ❌ 不支持 | 6 款经典音色 (Alloy, Echo, Fable, Onyx, Nova, Shimmer) | 国际化英文播客、海外多语种教学视频、标准旁白 |
| 📦 OneTTS 聚合网关 | 开源自建服务 | edgettskokorodoubaof5tts | ✅ 取决于后端引擎 | ✅ 支持 F5-TTS 极速克隆 | 聚合海量音色库，多国语言全面覆盖 | 零成本批量大规模合成、局域网私有化断网配音 |
核心应用场景与选型建议
1. 短视频自媒体与影视解说配音
- 推荐方案：小米 MiMo（拟真声音设计与克隆）。
- 理由：MiMo 的情感起伏与语气助词表现极度接近真人播音员，您甚至可以通过自然语言（如“一位沉稳而富有磁性的悬疑故事讲述者”）直接设计独一无二的音色。
2. 国际化出海视频制作与跨国会议旁白
- 推荐方案：OpenAI TTS。
- 理由：OpenAI 的多语种母语发音质感极佳，尤其在英语、欧洲主流语言中拥有极高的自然度与专业播音质感。
3. 本地大批量自动化配音流水线
- 推荐方案：OneTTS 聚合网关。
- 理由：集成微软 EdgeTTS 等免费高速通道，适合在工作流中无需消耗任何商业 API 额度，批量自动化生成成百上千条短视频音频。
独立配置教程导航
深入了解各个 TTS 服务的参数配置与接入步骤，请查阅下方独立技术手册：