本地TTS怎么选:三款模型公开评测对比

Drama 3 适合需要多角色表演和反复修改的语音创作；Breeze TTS 2 擅长把声音描述变成可控音色；Fish S2 Pro 则提供较小规模的多语种克隆与情绪控制。这三款模型都能获得公开权重，但部署成本和商业授权差别很大。

截至 2026 年 10 月 14 日，Artificial Analysis 的开放权重原生音色榜把 Drama 3 Preview 排在 Breeze TTS 2 和 S2 Pro 前面。这个结果支持优先关注 Drama 的听感，却不能证明每段文本、每种语言、每台本地机器都如此。

本文只整理官方资料与公开测试，不运行模型、不生成测试音频。素材里的“生动”“更强”以及 RTX 5090 的时间数据，作为提供者的观察保留，不写成 Mycelium 的实测结论。

三款模型到底有什么不同？

规模按官方口径取整。HF 元数据包含各组件时，Drama 总参数约 35.90B、Breeze 约 3.47B、S2 Pro 约 4.56B；不能把 Drama 的“3B 激活”理解成只需加载一个 3B 模型。

官方仓库与 Hugging Face 页面

Drama 3 与 S2 Pro 共用 Fish Speech 项目；当前 README 明确列出两种模型，不能据此把 Drama 当成 S2 的小升级权重。

• Drama 3 权重：https://huggingface.co/fishaudio/drama-3
• Fish Speech 仓库：https://github.com/fishaudio/fish-speech
• Drama 3 部署项目：https://github.com/sgl-project/sglang-omni
• Drama 3 Cookbook：https://sgl-project.github.io/sglang-omni/cookbook/fishaudio_drama3.html
• Breeze TTS 2 权重：https://huggingface.co/BreezeBlue/Breeze-TTS-2
• Breeze 官方仓库：https://github.com/breezeblue-ai/breeze-tts
• Fish S2 Pro 权重：https://huggingface.co/fishaudio/s2-pro

本次记录 HF 版本：Drama e0a9218aa488，Breeze 3e28c5151381，S2 Pro 1de9996b6be3。这些是资料快照，不代表我们验证过对应权重的运行表现。

公开听感测试支持“Drama 最好”吗？

Artificial Analysis 通过匿名成对听音收集偏好。原生音色榜保留各厂商的声音选择；固定音色榜则使用统一的克隆声音。它们回答不同问题，Elo 属于各自榜单，不能跨榜相减。

来源：2026-10-14 页面快照。 原生音色开放权重榜：https://artificialanalysis.ai/text-to-speech/leaderboard/provider-voice/open-weights 固定音色榜：https://artificialanalysis.ai/text-to-speech/leaderboard/controlled-voice

Drama 在两个榜单都领先这两位对手，但 Drama 与 Breeze 的原生音色置信区间重叠，Breeze 与 S2 的固定音色区间也重叠。榜上明确写的是 Preview，公开服务的解码设置、后处理和本地 checkpoint 未必完全一致。

固定音色测试目前使用英语的美国、英国口音声音。它有助于减少音色选择的影响，不能直接外推为中文、日语或所有情绪的排名。把独立听感榜看作筛选候选的证据，比把它当成“所有场景最强”的保证更有用。

厂商公开测试还告诉了我们什么？

Fish 的 S2 技术报告与仓库公布 Seed-TTS Eval：中文 WER 0.54%、英文 0.99%；同表的 Qwen3-TTS 为 0.77%、1.24%。这是作者报告的同协议比较，可以说明该测试里的读字准确率优势，不能代表所有 Qwen3-TTS 版本、声音或语言。

S2 同时报告 EmergentTTS-Eval 胜率 81.88% 和自建指令测试 TAR 93.3%。不同指标分别侧重表达偏好与指令执行；自建测试还需要留意任务选择和评判方式。

S2 报告：https://arxiv.org/abs/2603.08823 官方结果与对照：https://github.com/fishaudio/fish-speech#fish-audio-s2-pro

Breeze 公开了 Voice Design、Voice Direction 和 Latency 三套评测仓库。作者的声音设计表中，RoleFit 为 78.02，Qwen3-TTS-VD 为 58.48；这套评测用 Gemini 3.1 Pro Preview 评分，并设转写通过门槛，属于作者组织的模型评判，不能替代独立人类盲听。

Breeze 介绍与结果：https://breezeblue.ai/breeze-tts-2 声音设计评测：https://github.com/breezeblue-ai/TTS-Voice-Design-Benchmark 声音指导评测：https://github.com/breezeblue-ai/TTS-Voice-Direction-Benchmark 延迟评测：https://github.com/breezeblue-ai/TTS-Latency-Benchmark

Drama 的官方仓库报告多语种克隆、Ming-Freeform 编辑和 Step-Audio-Edit 多轮情绪修改的进步，技术报告入口为 https://arxiv.org/abs/2610.18010 。这里保留它的公开研究入口与作者归属，不把官方示例或对旧版本的比较扩展成三款模型的统一实测。

Drama 的技术报告还给出了改稿的实际边界：Step-Audio-Edit 中，三轮修改后情绪准确率从 55.5% 升到 58.2%，风格从 76.5% 升到 81.8%，使用官方 Gemini 2.5 Pro 评判协议。同表 Step-Audio-EditX 的最终情绪准确率是 69.3%，高于 Drama；Drama 的最终风格准确率则更高。因此，“支持反复导演”不等于所有情绪编辑指标都领先。报告第 5.6 节：https://arxiv.org/html/2610.18010v1#S5.SS6

素材提到每段音频的转写都“零词错误”，但未给出原音频、文本、识别器版本和样本数，“Whicner”也未明确指向具体工具。即便能复核 WER=0，它也只说明读字正确：情绪是否自然、停顿是否合适、角色是否稳定，还需要别的评价。

生成 10 秒音频，能直接比较速度吗？

素材报告 RTX 5090 上 S2 Pro 用 3.6 秒、Breeze 用 6.8 秒生成 10 秒音频。单纯按时间除以音频长度，得到 RTF 0.36 与 0.68；这是对素材数字的换算，没有补做测量。缺少精度、加速模式、预热、输入和计时边界，不能作为可复现基准。

Drama 与素材中的 Qwen3-TTS 使用 DGX Spark，因此不参与这一台 5090 的速度排序。

来源为各自 HF 模型卡及官方 README。Drama 在并发 16 时 TTFA p50 已变为 210.1ms、RTF 0.373，说明并发是比较条件的一部分。Breeze 的延迟仓库还区分网络收到首字节 TTFB 与开始可听的 TTFA；该仓库中 Fish 条目是 S2.1 Pro，不能替换成这里的 S2 Pro。

首音频延迟决定对话会不会“等很久才开口”；RTF 决定整段生成能否跟上播放。GPU、参考音频预处理、网络和并发不同，三行服务数字不能拼成一张速度冠军榜。

本地部署与商业使用应该先看什么？

Drama 的 MoE 降低每步激活计算量，全部专家权重仍需存放。官方使用 FP8 专家、其他权重 BF16；HF 文件规模约 41.5GB，也不是完整运行显存测量。选它之前，应按具体推理实现、权重精度和上下文规划容量，别按“3B”采购硬件。

Breeze 官方给出 eager 约 7.7GiB、建议至少 12GB 显存；--fast-all 约 14.4GiB、建议 24GB，并涉及冷启动与预热。3.5B 和 4.6B 的参数比较不能代替实际运行预算。官方 Breeze 路线是 CUDA；社区移植需另外检查兼容性，本文没有验证 Mac 或量化版本。

更容易被漏掉的是授权：公开代码与可下载权重，不能合并理解为无条件商业使用。

Drama 页面顶部许可证元数据与正文可能不同；这里核对的是对应版本的许可证文件。收入定义、客户代部署、输出交付和服务例外应查看全文，不能把这张摘要表当成完整授权。

Drama 许可：https://huggingface.co/fishaudio/drama-3/blob/main/LICENSE Breeze 许可：https://huggingface.co/BreezeBlue/Breeze-TTS-2/blob/main/LICENSE S2 Pro 许可：https://huggingface.co/fishaudio/s2-pro/blob/main/LICENSE.md

三款模型分别值得谁优先关注？

需要配音导演式的多轮修改、局部替换和多角色长场景，优先研究 Drama 3。它的价值不只是第一遍听着好，而是能减少重录和后期拼接；代价是大模型部署与授权安排。

没有现成参考声音、希望用文字创建和调整音色，优先研究 Breeze TTS 2。它把设计、克隆和指导做成清晰入口；同时必须确定自己的任务在英语、中文覆盖范围内，并接受不同运行模式的显存成本。

需要较小模型的多语种克隆、情绪标签和流式服务，优先研究 S2 Pro。独立榜单分数落后，并不自动取消它在硬件预算或现有工作流里的价值；这类取舍需要按实际目标文本与系统条件决定。

Mycelium 的独立判断是：本地 TTS 正从“给文字换个声音”走向“可以修改的声音生产工具”。采购时，编辑能力、延迟、显存和授权决定能不能进入工作流，单一听感排名不能回答这些问题。相关背景：https://blog.mushroom.cv/blog/audio8-tts-preview-0.6b-multilingual-zero-shot-voice-cloning-dualAR/

常见问题

Drama 的 3B 激活意味着和 3B 模型一样轻吗？

不意味着。Drama 的官方主干为 35B MoE，每步只激活部分参数；存储与加载仍涉及大量专家权重，运行内存还包括 codec、缓存与框架开销。

能据此认定 Breeze 和 S2 Pro 全面超过 Qwen3-TTS 吗？

不能。S2 的 Seed-TTS WER、Breeze 的声音设计评分，各自支持特定协议中的结论；它们不是同一套全面考试，素材的主观听感也不能取代它们。

这些结果是作者自己跑出来的吗？

本文作者没有运行模型测试。独立听感结果来自 Artificial Analysis，性能与专项测试来自厂商公开材料，5090 时间和零词错误说法来自用户素材，三者分别标注。

© 2026 Author: Mycelium Protocol. 本文采用 CC BY 4.0 授权——欢迎转载和引用，须注明作者姓名及原文链接，不得去除署名后以原创发布。