ElevenLabs CLI 替代品实测：6 款终端 TTS 对比

ElevenLabs 提供了 npm 包 @elevenlabs/cli，让你能在终端里管理语音 Agent、生成语音。关于安装和 Key 配置，可以参考 ElevenLabs CLI 安装教程 和 API Key 配置说明。

但它的核心限制也很明确：需要 API Key、每月 免费额度 只有 10,000 字符（超了就要按订阅付费）、必须联网。

如果你在找能在终端里用、最好还能本地跑且不花钱的方案，下面这 6 款替代品（Piper TTS、Kokoro、Fish Speech、Coqui、ChatTTS、OpenAI TTS）值得逐一对比。

本文六款工具的筛选原则只有一个：必须能在命令行/终端里用。没有 CLI 工具、没有 REST API、不能用 curl 或管道调用的，不进这张表。

一图看懂：6 款 CLI TTS 工具总对比

---

Piper TTS：最快的本地 CLI TTS 引擎

Piper TTS 由 Open Home Foundation 旗下项目出品，是一个用 C++ 编写的快速本地神经 TTS 引擎。需要留意的是，它的原仓库 rhasspy/piper 已于 2025 年 10 月归档为只读，开发迁移到了新仓库 OHF-Voice/piper1-gpl，截至 2026 年 9 月仍在正常发版（最新 v1.8.0），工具本身可以放心用。它的核心优势是极简的 CLI 接口，单行命令就能从文本生成语音：

echo 'Welcome to the world of speech synthesis!' | ./piper --model en_US-lessac-medium.onnx --output_file welcome.wav

Piper 基于 VITS 模型架构，导出为 ONNX 格式，专为树莓派这样的低功耗设备优化，在普通 x86 机器上几乎瞬间完成合成。

优点： 速度极快、无依赖（单二进制文件）、优化了低功耗场景。 缺点： 模型以英文为主，中文模型质量一般；不支持声音克隆；每个语音模型独立下载。 适合： 只需要英文语音合成，且希望嵌入 shell 脚本或 CI/CD 管线的开发者。

---

Kokoro TTS：真正的全功能 CLI TTS 工具

如果说哪个项目的 CLI 体验最接近 ElevenLabs CLI 的「开箱即用」，Kokoro TTS（nazdridoy/kokoro-tts）是目前最完整的答案。它不仅提供了标准的命令行接口，还支持通过 stdin 接受管道输入，这对脚本集成极为重要：

echo 'Kokoro TTS supports stdin piping from other programs.' | kokoro-tts --voice af_bella --output output.wav

核心参数一览：

• --voice 选择音色（支持美式英语男声/女声、英式英语、日语、韩语、中文等）
• --speed 控制语速
• --split_pattern 支持分段生成
• --input_file 直接传入 EPUB、PDF 或 TXT 文件
• --output_dir 指定输出目录

这款工具基于 Kokoro 82M 参数模型（StyleTTS 2 架构），采用 Apache 2.0 开源许可证，商业使用无限制。它不需要 GPU，在标准 CPU 上即可实时合成。

优点： 真正原生 CLI、支持管道和多格式文件输入、多语言含中文、CPU 可运行。 缺点： 不支持声音克隆（仅语音融合）；模型体积较小，音质不如大模型。 适合： 需要中文语音输出、想在终端里批量转换文档为语音的用户。

---

Fish Speech：零样本克隆的 API 路线

Fish Speech（fishaudio/fish-speech）是目前开源社区最活跃的零样本语音克隆项目之一。它本身以 Python 库和 Web API 形式提供，但通过内置的 API 服务可以用 curl 轻松集成到命令行管线：

curl http://localhost:8000/audio/speech \
  -X POST \
  -F model="fish-speech-1.5" \
  -F voice="english-nice" \
  -F input="This is a test of Fish Speech API." \
  --output speech.wav

Fish Speech 1.5 版本支持 13 种语言（中英日韩等），零样本克隆只需数秒参考音频。它也可以在 Docker 容器中运行，非常适合部署到服务器然后通过 curl 远程调用。

优点： 零样本声音克隆效果好、多语言、REST API 标准接口、Docker 一键部署。 缺点： 需要 GPU 才能获得实时推理速度；配置门槛高于 Piper 和 Kokoro。 适合： 需要声音克隆、有 GPU 资源、喜欢 REST API 集成方式的开发者。

---

Coqui TTS：经典开源方案的选择

Coqui TTS 曾经是开源 TTS 领域最知名的项目（20.5k GitHub stars）。原仓库由 Coqui AI 公司维护，但公司已于 2024 年初停止运营，原仓库最后提交停在 2024 年 8 月。好消息是社区接手了维护，新的 PyPI 包 coqui-tts 0.25.0 已经发布，支持 macOS 和 Windows 的预编译 wheel。

Coqui TTS 本身是 Python 库，但可以通过几行脚本包装成命令行工具：

# 安装
pip install coqui-tts

# 命令行调用示例（一行 Python）
python -c "from TTS.api import TTS; TTS('tts_models/zh-CN/baker/tacotron2-DDC-GST').tts_to_file('你好，这是一段中文语音测试。', file_path='output.wav')"

XTTSv2 是它目前最强的模型，支持 17 种语言和语音克隆，流式延迟低于 200ms，还支持音色微调（fine-tuning）。

优点： 语言覆盖面最广（1100+ 语言预训练）、XTTSv2 质量优秀、社区活跃。 缺点： 原公司已停止运营、依赖 Python 环境（非原生 CLI）、安装依赖较多。 适合： 不介意写几行 Python 包装、需要多语言支持且希望保留训练能力的开发者。

---

ChatTTS：对话场景的中文优化方案

ChatTTS 由 2noise 团队于 2024 年 6 月开源，GitHub 三日内斩获 9.2k stars，目前稳定在 28k+。它专为对话场景优化，中英文混读自然度极佳，支持笑声、停顿、语气词等副语言控制：

import ChatTTS
chat = ChatTTS.Chat()
chat.load_models()

texts = ["ChatTTS 是一款强大的对话式文本转语音模型。它有中英混读和多说话人的能力。"]
wavs = chat.infer(texts)
torchaudio.save("output.wav", torch.from_numpy(wavs[0]), 24000)

它同样可以通过 Python 脚本包装为 CLI 调用，适合需要批量生成对话式语音的场景。

优点： 中文自然度极高（目前开源 TTS 中最佳之一）、细粒度韵律控制（笑声/停顿/语速）、多说话人。 缺点： 没有原生 CLI 工具、需要 Python 和深度学习框架环境、不支持声音克隆（官方后续计划中）。 适合： 中文短视频配音、播客开场白、对话流内容生成的用户。

---

OpenAI TTS API：最高音质的云端方案

如果你愿意支付费用，OpenAI 的 TTS API 是音质天花板。通过一行 curl 就能调用：

curl https://api.openai.com/v1/audio/speech \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "input": "这是一段中文测试语音。",
    "voice": "alloy",
    "response_format": "wav"
  }' \
  --output speech.wav

OpenAI 当前推荐使用 gpt-4o-mini-tts 模型，速度快、性价比高。它支持 30+ 种语言、6 种预设音色，延迟通常在 1-2 秒内。

优点： 音质最高最稳定、多语言支持好、curl 一行搞定。 缺点： 按字符计费、必须联网、不支持声音克隆（仅预设音色）。 适合： 预算充足、追求音质且不介意云端调用的团队。

---

---

场景化选型建议

场景一：你只要英文语音，追求最简单的 CLI 体验

选 Piper TTS。 单二进制文件，echo 管道输入输出 WAV，不需要 Python、不需要 GPU、不需要网络，一条命令搞定。

场景二：需要中文语音，预算为零

选 Kokoro TTS 或 ChatTTS。 Kokoro 有原生 CLI 且 CPU 可跑，上手最快；ChatTTS 中文自然度更高但需要 Python 环境，也多一道包装步骤。

场景三：需要声音克隆，有 GPU

选 Fish Speech 或 Coqui TTS。 Fish Speech 的 REST API 接口更标准，集成到 CI/CD 更顺手；Coqui XTTSv2 的微调能力更适合定制专属音色。

场景四：团队项目，可以付费，追求最高音质

选 OpenAI TTS 或 ElevenLabs CLI。 音质天花板，API 文档完善，但成本和数据隐私需要权衡，如果涉及用户数据出境敏感场景则优先考虑本地方案。

---

迁移成本说明

从 ElevenLabs CLI 切换到开源替代品需要评估以下投入：

1. 环境搭建：Piper 是零安装优势最突出（单二进制），Coqui 和 ChatTTS 则需要 Python + PyTorch 环境，初期配置时间 30-120 分钟。
2. 管线改造：如果现有脚本基于 @elevenlabs/cli 命令，需要改写为 curl/Python 调用。Piper 和 Kokoro 的管道式 CLI 改造工作量最小。
3. 音质调校：开源方案在部分语种（如中文）上已经接近商用水平，但如果你的应用对自然度要求极高（如客服外呼、有声书），需要先做 A/B 测试确认可接受。
4. 维护负担：开源方案需要自己管理模型更新和依赖安全，云端方案（OpenAI/ ElevenLabs）则不需要操心这些。

关于国内网络环境和支付问题，可以参考 ElevenLabs 国内网络与支付指南。

---