东南亚口播配音选型：越南语/马来语/泰语 TTS 模型横评

中文口播稿出海东南亚怎么配音？覆盖云端统一方案(Qwen-Audio-3.0-TTS/ElevenLabs/MiniMax/豆包)、开源单模型(Scicom/Confucius4)和各语种专用模型(JaiTTS/VieNeu-TTS/Malaysian-TTS)，含选型矩阵

背景

做东南亚内容出海，经常需要把中文口播稿翻成越南语、马来语、泰语再配 AI 语音。翻译环节随便一个大模型都能干，真正的瓶颈在 小语种 TTS（文字转语音）。本文是 2026 年 8 月调研后的选型结论，覆盖云端统一方案、开源单模型方案和各语种专用模型。

模型	越南语	马来语	泰语	声音克隆	情绪控制	特点
Qwen-Audio-3.0-TTS	✅	✅	✅	✅	✅ 自然语言指令	16 语种，Artificial Analysis 排行 #1，Flash(实时) + Plus(高质量) 两个版本，阿里云 Model Studio 调用
ElevenLabs v3	✅	✅	✅	✅	✅	74 语种，质量天花板，按字符计费较贵
MiniMax speech-2.6/2.8	✅	✅	✅	✅	部分	40 语种，国产，性价比高
豆包语音合成 2.0（火山引擎）	✅	✅	✅	❌	❌	国产最便宜，10 万字包新客 ¥22.5
Azure / Google Gemini-TTS	✅	✅	✅	❌/✅	✅	Gemini-TTS 支持自然语言控制；Azure 老音色偏播音腔
8nabler TTS	✅	✅	✅	✅(30s)	部分	东南亚企业级方案，sub-100ms 延迟

注意区分：Qwen3-TTS（开源，仅 10 语种，不含泰马越）和 Qwen-Audio-3.0-TTS（API 专供，16 语种含泰马越）是两个不同产品。

模型	越南语	马来语	泰语	声音克隆	参数量	特点
Scicom Multilingual-TTS	✅	✅	✅	✅	0.6B / 1.7B	150+ 语言，基于 Neucodec，mesolitica 团队出品，Apache 2.0
Confucius4-TTS	✅	✅	✅	✅ 跨语言迁移	未公开	网易有道出品，一个声音说 14 种语言无口音，代码即将开源
MMS-TTS（Meta）	✅	✅	✅	❌	~300M	1100+ 语言，Transformers 几行代码调用，质量一般

模型	参数	声音克隆	特点
VieNeu-TTS v3 Turbo	—	✅ 即时	2324 stars，48kHz 高保真，20 个内置声音（北/中/南三区），CPU ONNX int8 可跑，越英混读，流式推理
Viterbox	—	✅ 3~10s	基于 Resemble AI Chatterbox 微调，3000+ 小时数据，500+ 说话人，24 语言
Gwen-TTS	0.6B	✅	基于 Qwen3-TTS 微调，1000 小时 TikTok 越南语数据，有在线 demo
G-OmniVoice	0.6B	✅ 3~10s	OmniVoice 越南优化版，WER 最低 + 高说话人相似度
VietTTS	—	✅	OpenAI API 兼容接口，Docker 部署

越南语开源 TTS 在东南亚三语中生态最强，VieNeu-TTS v3 Turbo 是当前最佳选择（覆盖方言区、CPU 友好、功能全面）。

模型	参数	声音克隆	特点
JaiTTS-v1.0	—	✅ 零样本	2026.04 最新，CER 1.94%（超人类参考 1.98%），直接处理数字和泰英混语，长文本稳定，人评 400 次对比胜率 70.8%
SiangTTS	LoRA	✅	VoxCPM2 泰语 LoRA，单张 3090 可训练
ThonburianTTS	—	✅	F5-TTS 泰语微调，玛希隆大学出品
SakThai TTS	82M	❌	Kokoro-82M GGUF 141MB，15 语言含泰语，CPU 可跑，树莓派级别
PyThaiTTS	—	❌	Python 库，集成多个模型（lunarlist/khanomtan/vachana）

JaiTTS 是目前泰语 TTS 的 SOTA，CER 超越人类参考，人评大幅领先商业模型，不是"半成品"。

模型	参数	声音克隆	特点
Malaysian-TTS-4B	4B	❌ 固定发音人	Qwen3-4B + DistilCodec，24k 采样率，马英混语切换，可控音高语速
Malaysian-TTS-1.7B GGUF	1.7B	❌	Q4_K_M 仅 1.3GB，本地轻量部署
MeloTTS-MS	—	❌	MeloTTS 马来语 fork，马来西亚 BERT + 马来语音素器
malaya-speech VITS	—	❌	Python 库，VITS 端到端，多发音人
RVC Malaysian Voices	RVC v2	✅ 声音转换	4 个马来语声音模型（2 男 2 女），可接 TTS 管线

mesolitica（huseinzol05）一直在深耕马来语 NLP，从 1.7B 到 4B 有完整的模型迭代。马来语专用模型没有声音克隆，但可通过 RVC 后处理实现人声定制。

场景	推荐方案	理由
质量优先 + 不想部署	Qwen-Audio-3.0-TTS-Plus 或 ElevenLabs	三语统一，声音克隆 + 情绪控制，质量最高
性价比 + 国内直连	豆包或 MiniMax	人民币结算，豆包试水几乎免费
本地部署一个模型	Scicom Multilingual-TTS-1.7B	唯一开源三语 + 声音克隆方案
本地部署追求质量	JaiTTS + Malaysian-TTS-4B + VieNeu-TTS v3	各语种最强，但需维护三套环境
混合省钱	越南语走 VieNeu-TTS（免费），马来语 + 泰语调 API	越南语开源能打，省掉 API 费
等一等	Confucius4-TTS	跨语言声音迁移是杀手特性，等开源