一段285个字符的俄语段落，合成出来约18秒语音。在RTX 3070上预热之后，Silero、XTTS-v2、F5-TTS三款引擎跑同一段文本，速度差距是数量级的：Silero比实时快数百倍，克隆类引擎则要慢上几倍。这些数字来自单机单次运行，不是标准跑分，但量级足够说明问题。
有人把这三款引擎塞进了一个Windows桌面程序Glasvo：tkinter窗口，MIT许可，支持Windows 10/11。程序最初为俄语而做，英语同样可用——118个英语Silero音色，英语的XTTS与F5克隆也能跑。真正值得看的不是界面，而是磁盘、内存和时间上的实际开销，以及开发过程中踩到的坑。
Silero：快，但会悄悄吞字符
Silero模型是torch.package归档。PyTorch打不开含西里尔字符的路径，而用户的文件夹名什么都有可能，所以代码改成传文件对象进去，再加载模型、搬到CUDA或CPU上，调用apply_tts出wav。语速和音高走SSML，单块文本控制在700字符以内，长文按句子边界切开，再用停顿拼接。
最难受的意外是：Silero的俄语模型会静默跳过数字、丢掉拉丁字母。输出里出现的是空白，不是报错。为此模型前面挂了两个函数——expand_numbers基于num2words把2026这样的数字转成词，latin_to_cyrillic分三级处理拉丁文本：常见词查词典（YouTube变成«ютуб»），全大写和无元音的词按字母逐个读（USB变成«ю-эс-би»），其余走转写。验证方式是合成测试短语，再用Whisper识别回来比对。
克隆：采样、切块与自检
参考音频先经ffmpeg转成单声道24 kHz wav，ffmpeg取自imageio-ffmpeg，不需要系统预装。文件写入临时路径后用os.replace移动，坏文件不会污染上一份样本。XTTS-v2对俄语单块的上限约182字符，所以切块按170来；F5需要参考文本，由Whisper small在本地转写样本，转完即卸载以释放显存。
作者的自检方法很直接：拿一个Silero音色当“样本”，让XTTS和F5用它朗读一段文本，再用Whisper转写结果、比对词句，两者都是100%匹配。
依赖地狱与安装
克隆相关依赖（coqui-tts、f5-tts、transformers）拉进来的东西多到让依赖解析器卡死。被钉死的版本包括：torch==2.5.1+cu121（transformers 5和diffusers 0.43需要torch 2.6+）、transformers<5、huggingface_hub<1.0，以及F5经hydra需要的omegaconf==2.3.1。pip check会对f5-tts的版本钉法报怨，这属于可接受范围；requirements.txt就是可用环境的完整pip freeze。
给没有Python环境的人准备的install.bat会调用install.ps1：下载uv，把Python 3.12装进程序目录，建venv，再执行uv pip install --no-deps -r requirements.txt。没有NVIDIA显卡时，把torch的+cu121换成+CPU版本。uv缓存放在较短的临时路径下，因为antlr4在深层目录里构建失败过。模型不打包进zip，首次使用时通过huggingface_hub.snapshot_download下载。
程序还能自更新：启动时读取GitHub的releases/latest，下载Glasvo.zip，覆盖旧文件，但保留settings.json。
几个小坑
- 在pythonw下sys.stdout是None，tqdm和print会崩，塞一个devnull顶上。
- 后台线程不能碰tkinter，所有交互走队列，由主线程定时排空。
- 鼠标滚轮划过ttk.Combobox会改值，需要拦截。
- 俄语键盘布局下的Ctrl+C/V/X/A，按keycode匹配。
许可提醒
代码是MIT，但多数模型是非商用：Silero和俄语F5-TTS为CC BY-NC 4.0，XTTS-v2使用Coqui Public Model License。把音频用进带变现的视频前先核对许可，克隆只用自己的声音，或已获对方同意的声音。
热门跟贴