MimikaStudio 4大TTS引擎深度横评：Kokoro、Qwen3、Chatterbox、Supertonic谁更强-平芜编程栈

【免费下载链接】MimikaStudio

MimikaStudio - A local-first application for macOS (Apple Silicon) + Agentic MCP Support

项目地址：https://gitcode.com/gh_mirrors/mi/MimikaStudio

MimikaStudio是一款面向 Apple Silicon Mac 的本地优先（local-first）文本转语音与声音克隆工具，内置 Kokoro、Qwen3-TTS、Chatterbox、Supertonic 四大 TTS 引擎。本文对它们的模型体积、语言支持、克隆能力与适用场景做一次深度横评，帮你在 1 分钟内选出最合适的引擎。

所有引擎均在本地运行：模型下载完成后，音频生成不依赖任何云端服务，隐私完全掌握在自己手里。

为什么 MimikaStudio 要内置 4 个 TTS 引擎？

因为每个引擎的定位完全不同，覆盖了"快"、"克隆"、"多语言"、"情感"四个维度：

Kokoro：极速、轻量，主打英式/美式英语语音合成
Qwen3-TTS：3 秒声音克隆 + 9 位预设播音员，功能最全面
Chatterbox：23 种语言的声音克隆，支持情感强度调节
Supertonic-2：仅 0.3GB 的轻量多语言 ONNX 引擎

30秒速览：4大TTS引擎参数对照表

引擎	模型规模	下载体积	核心能力	语言支持	计算设备
Kokoro-82M	82M 参数	~0.3 GB	高速预设语音 TTS	英语（英式+美式）	MLX / Metal GPU
Qwen3-TTS 0.6B / 1.7B	0.6B / 1.7B	1.4 / 3.6 GB（8-bit 版 0.8 / 2.0 GB）	声音克隆 + 预设语音双模式	克隆 10 种 / 预设 4 种	MLX
Chatterbox Multilingual	—	~2 GB	多语言声音克隆 + 情感控制	23 种	CPU
Supertonic-2	—	~0.3 GB	轻量多语言 TTS	5 种（en/ko/es/pt/fr）	ONNX Runtime

💡 体积敏感的用户优先选 Kokoro 或 Supertonic-2（都是 0.3GB）；追求克隆质量则选 Qwen3，磁盘紧张可用 8-bit 量化版省一半空间。

模型注册与下载状态检测逻辑见 registry.py，界面入口在应用顶部的Models标签页。

Kokoro-82M：延迟低于 200ms 的极速英语 TTS

适合场景：英语有声书、PDF/文档朗读、日常快速合成

极快：82M 参数的小模型在 Apple Silicon 上通过 MLX 走 Metal GPU 加速，延迟可低于 200ms
21 位音色：8 位英式口音（Emma、George、Lily、Alice…）+ 13 位美式口音（Bella、Michael、Sarah…），按声优评分分级标注
智能分块：长文本自动按 1500 字符分块并用 40ms 交叉淡入拼接，避免有声书断句生硬（逻辑在 text_chunking.py）
局限：只支持英语，不支持声音克隆

🎧 试听：Kokoro Emma 样本 · Kokoro George 样本

引擎实现：kokoro_engine.py

Qwen3-TTS：3秒声音克隆，功能最全面的选择

适合场景：克隆指定声音朗读长文、多语言有声书、专业播音风格

Qwen3-TTS 是四个引擎中功能最多的，提供两种工作模式：

声音克隆模式：3 秒参考音频复刻声音

只需3 秒以上的参考音频（语音备忘录、播客片段均可）即可克隆音色
支持10 种语言：中、英、日、韩、德、法、俄、葡、西、意，可自动检测
模型可选0.6B（快）或1.7B（质量高），还可切8-bit量化省内存
内置 8 位参考音色（Alistair、Yelena、Svetlana、Mikhail 等），开箱即试
高级参数齐全：temperature、top_p、top_k、repetition penalty、seed，可复现结果

预设音色模式：9 位高级播音员开箱即用

不上传任何音频也能用：Ryan、Aiden、Vivian、Serena、Uncle_Fu、Dylan、Eric、Ono_Anna、Sohee 共 9 位覆盖中/英/日/韩 4 种语言的预设播音员，并支持风格指令（如"专业有声书播音"、"轻声细语"）控制语气。

🎧 试听：Qwen3 Yelena 克隆演示 · 43 分钟《福尔摩斯》长书试听

引擎实现：qwen3_engine.py

Chatterbox：23 种语言的声音克隆 + 情感控制

适合场景：小语种克隆、带情绪的演绎（笑声、叹息、耳语）

语言最多：覆盖阿拉伯语、希伯来语、日语、中文等23 种语言
情感可调：提供 exaggeration（夸张度）、CFG weight（条件强度）、temperature 参数，台词里还能写[laugh]、[sigh]、[chuckle]等事件标签，引擎会自动渲染对应情绪
共享音色库：上传一次的参考音频，Qwen3 与 Chatterbox 两个克隆引擎通用，无需重复上传
注意：受 MPS 重采样限制，在 Apple Silicon 上走 CPU 推理；希伯来语需额外下载 1.1GB 的 Dicta ONNX 注音模型

🎧 试听：Chatterbox Yelena 情感克隆演示

引擎实现：chatterbox_engine.py

Supertonic-2：仅 0.3GB 的轻量多语言 TTS

适合场景：韩/西/葡/法语快速合成、低延迟自动化任务

极致轻量：ONNX Runtime 推理，模型仅 0.3GB，四个引擎中与 Kokoro 并列最小
5 种语言：英语、韩语、西班牙语、葡萄牙语、法语
10 种音色风格：F1–F5（女声）、M1–M5（男声），可自由组合
质量可调：通过 quality steps（默认 5 步）在速度与音质间平衡，默认语速 1.05x 更自然
局限：仅预设音色，不支持声音克隆

🎧 试听：Supertonic F1 样本 · Supertonic M2 样本

引擎实现：supertonic_engine.py

选哪个 TTS 引擎？按场景对号入座

你的需求	推荐引擎	理由
纯英语内容 / 有声书 / 文档朗读	Kokoro	0.3GB 极速出音，英式美式 21 音色
克隆"自己的声音"读中英日文章节	Qwen3-TTS	3 秒克隆 + 风格指令，长文稳定性最好
小语种克隆，或需要笑声、叹息等演绎	Chatterbox	23 种语言，独有情感控制
韩/西/葡/法语，追求轻量低延迟	Supertonic-2	0.3GB + ONNX，即开即用
生成整本书的 M4B 有声书	Kokoro 或 Qwen Clone	有声书创建器支持两种引擎切换

💡 不确定就先装 Kokoro（0.3GB 试错成本最低），后续按需再下载其他引擎模型——所有下载都在 Models 页统一管理，互不冲突。

首次上手：3 步下载模型生成第一段语音

获取应用：git clone https://gitcode.com/gh_mirrors/mi/MimikaStudio后运行./install.sh一键装好全部依赖，或直接使用官方 DMG
下载模型：打开对应引擎页面，看到"requires model download"提示时点击Download（首次下载量见对照表，全部模型约 3GB 起）
开始生成：回到引擎界面选择音色、粘贴文本、点击生成，所有任务都会进入Jobs队列实时显示进度，完成后可直接播放、下载

结语

没有"最强"，只有"最合适"：求快选Kokoro，求克隆选Qwen3，求多语言情感选Chatterbox，求轻量多语言选Supertonic-2。四者共存于同一本地服务中，音色库与任务队列全面打通，这正是 MimikaStudio 作为本地 TTS 工作台的完整度所在。

更多引擎细节与 API 说明可参考项目文档 README.md。