# 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。

## 一、一个模型通吃三语（云端 API）

| 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 |

来源：[ElevenLabs 语言列表](https://help.elevenlabs.io/hc/en-us/articles/13313366263441-What-languages-do-you-support)、[MiniMax 文档](https://platform.minimax.io/docs/api-reference/api-overview)、[火山引擎 TTS 文档](https://www.volcengine.com/docs/6561/2528925)、[Qwen-Audio-3.0-TTS 发布博客](https://tongyilab.substack.com/p/qwen-audio-30-tts-more-multilingual)

> **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。

## 二、一个模型通吃三语（开源可本地部署）

| 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 |

- Scicom 是目前唯一可用的**开源单模型三语+声音克隆**方案
- Confucius4-TTS 的跨语言声音迁移能力很有吸引力（同一个人声无缝切换泰/马/越），但截至 2026 年 8 月代码和权重尚未发布

## 三、各语种专用开源模型（质量最高）

### 🇻🇳 越南语 — 开源生态最丰富

| 模型 | 参数 | 声音克隆 | 特点 |
|------|------|---------|------|
| [VieNeu-TTS v3 Turbo](https://github.com/pnnbao97/VieNeu-TTS) | — | ✅ 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](https://huggingface.co/dolly-vn/viterbox) | — | ✅ 3~10s | 基于 Resemble AI Chatterbox 微调，3000+ 小时数据，500+ 说话人，24 语言 |
| [Gwen-TTS](https://github.com/ggroup-ai-lab/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](https://huggingface.co/g-group-ai-lab/g-omnivoice) | 0.6B | ✅ 3~10s | OmniVoice 越南优化版，WER 最低 + 高说话人相似度 |
| [VietTTS](https://github.com/dangvansam/viet-tts) | — | ✅ | 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）。

### 🇹🇭 泰语 — 有 SOTA 级专用模型

| 模型 | 参数 | 声音克隆 | 特点 |
|------|------|---------|------|
| [JaiTTS-v1.0](https://github.com/JTS-AI-Team/JaiTTS) | — | ✅ 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](https://huggingface.co/dubbing-ai/SiangTTS-VoxCPM2-Thai-LoRA) | LoRA | ✅ | VoxCPM2 泰语 LoRA，单张 3090 可训练 |
| [ThonburianTTS](https://huggingface.co/biodatlab/ThonburianTTS) | — | ✅ | F5-TTS 泰语微调，玛希隆大学出品 |
| [SakThai TTS](https://huggingface.co/Nanthasit/sakthai-tts-model) | 82M | ❌ | Kokoro-82M GGUF 141MB，15 语言含泰语，CPU 可跑，树莓派级别 |
| [PyThaiTTS](https://pythainlp.org/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"。

### 🇲🇾 马来语 — mesolitica 团队深耕

| 模型 | 参数 | 声音克隆 | 特点 |
|------|------|---------|------|
| [Malaysian-TTS-4B](https://huggingface.co/mesolitica/Malaysian-TTS-4B-v0.1) | 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](https://huggingface.co/mradermacher/Malaysian-TTS-1.7B-v1-GGUF) | 1.7B | ❌ | Q4_K_M 仅 1.3GB，本地轻量部署 |
| [MeloTTS-MS](https://github.com/mesolitica/MeloTTS-MS) | — | ❌ | MeloTTS 马来语 fork，马来西亚 BERT + 马来语音素器 |
| [malaya-speech VITS](https://malaya-speech.readthedocs.io/en/latest/tts-vits.html) | — | ❌ | Python 库，VITS 端到端，多发音人 |
| [RVC Malaysian Voices](https://huggingface.co/fahmifauzi/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。

## 四、选型建议

### 按场景

| 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 |

### 避坑提醒

- **Qwen3-TTS ≠ Qwen-Audio-3.0-TTS**：前者开源 10 语种（不含泰马越），后者 API 16 语种（含泰马越）
- **声调语言**：越南语 6 声调、泰语 5 声调，别用传统拼接式 TTS（Azure/Google 老音色），合成出来当地人一听就是机器味
- **MMS-TTS**：虽然覆盖 1100+ 语言，但没有声音克隆，质量一般，只适合验证文本可合成性

## 入口

**云端 API：**
- Qwen-Audio-3.0-TTS：[阿里云 Model Studio](https://www.alibabacloud.com/help/en/model-studio/realtime-tts-user-guide)
- ElevenLabs：elevenlabs.io
- MiniMax 语音 API：platform.minimax.io
- 豆包语音（火山引擎）：volcengine.com/product/tts

**开源单模型：**
- Scicom Multilingual-TTS：[GitHub](https://github.com/Scicom-AI-Enterprise-Organization/Multilingual-TTS)
- Confucius4-TTS：[在线 Demo](https://confucius4-tts.youdao.com/gradio)（代码即将开源）

**越南语专用：**
- VieNeu-TTS v3 Turbo：[GitHub](https://github.com/pnnbao97/VieNeu-TTS)
- Viterbox：[HuggingFace](https://huggingface.co/dolly-vn/viterbox)
- Gwen-TTS：[GitHub](https://github.com/ggroup-ai-lab/gwen-tts)

**泰语专用：**
- JaiTTS-v1.0：[GitHub](https://github.com/JTS-AI-Team/JaiTTS)
- SiangTTS：[HuggingFace](https://huggingface.co/dubbing-ai/SiangTTS-VoxCPM2-Thai-LoRA)
- SakThai TTS：[HuggingFace](https://huggingface.co/Nanthasit/sakthai-tts-model)

**马来语专用：**
- Malaysian-TTS-4B：[HuggingFace](https://huggingface.co/mesolitica/Malaysian-TTS-4B-v0.1)
- MeloTTS-MS：[GitHub](https://github.com/mesolitica/MeloTTS-MS)
- RVC Malaysian Voices：[HuggingFace](https://huggingface.co/fahmifauzi/rvc-malaysian-voices)

---

**分类**：教程
**标签**：TTS · 越南语 · 泰语
**作者**：子龙
**链接**：https://octohz.com/p/2077