IndexTTS 1
哔哩哔哩出品
业界领先的开源语音合成模型，仅需几秒音频即可精准还原音色，支持中英双语与多种方言，合成效果自然流畅。
中文 TTS 聚合平台 · 模型 · 规模 · 算力 全面领跑
LipVoice：中文声音克隆 & AI 配音领跑者
模型数量领先：中文前 10 热门模型已接入 8 款，热门的大多都接入了
生成规模领先：日均 20 亿字符 · 6 万小时，规模摊薄成本，更便宜更稳定
算力配置领先：自研 H100 集群 · RTF<0.2，10 秒音频 2 秒生成
8款中文前10已接入
20亿日均处理字符
12万字符/1分钱
6万小时 · 日合成音频
模型数量领先中文前10已接入8款
生成规模领先规模摊薄成本 · 更便宜更稳定
算力配置领先自研H100集群 · RTF<0.2
三大维度领跑模型 · 规模 · 算力
全模型聚合 · 中文前 10 已接入 8 款
LipVoice 聚合主流热门中文语音合成模型，中文前 10 热门模型已接入 8 款：IndexTTS 1、IndexTTS2、IndexTTS2.5、OmniVoice、Qwen3-TTS、CosyVoice3.5、VoxCPM2、GPT-SoVITS，热门的大多都接入了。卡片右上角标注各模型在中文 TTS 热度榜（voicebox.xin）的名次与出品厂商。无需在多个工具间切换，一站式对比、调用、生成，总有一款模型适合你的场景
LipVoice 聚合引擎
中文TTS聚合 · 统一API
所有模型通过同一个平台调用，统一的参数格式、统一的音频输出、统一的价格体系。中文前 10 已接入 8 款，原生支持龙虾、扣子、WorkBuddy 等主流 Agent 平台接入。
- 统一 API 接口
- Agent 原生支持
- 一键切换模型
- 统一计费体系
IndexTTS2
哔哩哔哩出品
独创情感-音色解耦架构，在保留音色特征的同时精细控制情感表达，支持多情感标签调节，让配音更具感染力。
IndexTTS2.5
哔哩哔哩出品
IndexTTS 系列全新升级版本，零样本克隆与情感可控进一步增强，音质与稳定性全面进化，开箱即用。
Qwen3-TTS
阿里巴巴出品
基于通义千问大模型的语音合成系统，深度理解文本语义，自动匹配语调和停顿，生成富有表现力的语音内容。
CosyVoice3.5
阿里通义实验室出品
阿里通义实验室出品的新一代语音合成模型，音质细腻、韵律自然，支持高质量跨语言克隆与 18+ 种中文方言，适配多种内容创作场景。
OmniVoice
小米出品
全能型语音合成模型，支持多角色对话、多情感切换与多语言混合，一站式满足有声书、短剧、游戏配音等复杂场景需求。
VoxCPM2
OpenBMB 出品
20 亿参数的高性能语音合成模型，覆盖 30 种语言，推理速度表现出色，长文本批量合成又快又稳。
GPT-SoVITS
开源社区出品
社区生态活跃的开源声音克隆模型，仅需 5 秒样本即可完成克隆，支持中英日韩粤多语言配音。
更多模型持续接入中
我们始终保持对前沿模型的追踪
自研 H100 算力集群 · 算力配置领先
自研部署 NVIDIA H100 高性能算力集群，从物理机到推理框架全链路自主可控。大多数模型 RTF 达到 0.2 以下——10 秒音频 2 秒生成，从源头杜绝中转延迟、限速与不稳定
自研 H100 算力集群
自研部署 NVIDIA H100 高性能算力集群，7×24 小时满载运行，不存在第三方限速、排队或服务降级问题。高峰期同样丝滑。
零中转 · 极速响应
请求直达自研算力节点，无中间代理层、无 API 转发链路。大多数模型 RTF 低于 0.2，10 秒音频 2 秒生成，长文本秒级出声。
超高稳定性
多机房热备 + 智能负载均衡，日均处理 20 亿字符仍保持 99.9% 可用性。即使单节点故障，用户无感知自动切换。
极致低成本
省去中转商利润加价，算力成本直接让利用户。1 分钱 = 12 万字符，万字制作成本不足 1 元，轻松用得起。
20亿日均处理 UTF-8 字符
99.9%服务可用性
<1s平均响应延迟
RTF<0.210秒音频 · 2秒生成
1分钱 = 12万字符
自研算力直供，省去中转商利润加价。万字制作成本不足1元，门槛亲民，让人人都能用得起专业级配音
跨时代产品 · 自研算力直供价
¥0.01/ 分钱
12万字符 AI配音额度
- 无限次建立声音模型
- 支持全部聚合模型
- 600+语言 & 20+方言
- 自营算力 · 零中转
为什么选择 LipVoice
模型数量、生成规模、算力配置三大维度持续领先，全流程赋能你的声音
模型数量领先
聚合 IndexTTS2、Qwen3-TTS、CosyVoice3.5、OmniVoice 等 8 款热门模型，中文前 10 已接入 8 款。热门的大多都在这里，一个平台随意切换，无需在多个工具间比较选择。
生成规模领先
日均处理 20 亿 UTF-8 字符、合成音频 6 万小时——巨大规模摊薄了单位成本，才有 1 分钱 12 万字符的普惠价格；海量真实业务日复一日验证，稳定性与可用性保持 99.9%，批量任务再大也扛得住。
算力配置领先
自研部署 NVIDIA H100 高性能算力集群，零中转直连推理。大多数模型 RTF 达到 0.2 以下——10 秒音频 2 秒生成，批量任务也无需漫长等待。
百万用户信赖的跨时代AI配音工具
来自各行各业的创作者，看中的正是模型数量、生成规模与算力配置的三大领先
同一条文案能用 IndexTTS2、Qwen3-TTS 等 8 款模型轮着试音，音色不满意就换模型，热门的大多都接入了。短视频配音风格随心切换，创作效率翻倍！
H100 集群是真快：大多数模型 RTF 0.2 以下，10 秒音频 2 秒生成。单人口播素材即传即得，节目更新节奏完全不受配音环节拖累，听众反馈沉浸感大幅提升！
一部有声书几十万字，起初很担心又贵又不稳。LipVoice 日均 20 亿字符的规模把成本摊得很薄，万字成本不足 1 元；6 万小时的日生成量也验证了稳定性，批量长文本一次跑完，再无后顾之忧！
企业课程库上百小时音频全在 LipVoice 产出。算力自研部署零中转，API 响应又快又稳，声线统一、交付准时，培训视频配音这条流水线彻底放心了！
游戏多角色配音需求复杂，8 款聚合模型给了足够的声线选择，热度榜上有名的几乎都在。网页端实时调试，游戏配音既省成本又出效果，开发效率大大提升！
日更视频全靠它：热门模型基本都接入了，选定一款就长期使用；RTF 0.2 以下的生成速度让配音环节几乎无感。日更从压力变成了享受，栏目调性始终如一！
常见问题解答
关于 LipVoice 你可能想知道的
LipVoice 是中文声音克隆与 AI 配音领跑平台。与单一模型工具不同，LipVoice 聚合了主流热门中文语音合成模型，中文前 10 已接入 8 款；全部算力自研部署，日均处理 20 亿 UTF-8 字符——规模摊薄成本、海量业务验证稳定，既比同类更便宜，也杜绝 API 中转带来的延迟和不稳定。一个平台、一个 API、统一计费，即可调用所有模型。
Lipvoice 不仅原生适配中英双语配音，而且支持各类方言配音（如四川话、东北话、河南话等）。依托音色留存技术实现跨语言转换，切换语种仍完整保留声线特质。
只需三步：① 录制 20 秒左右无噪音、无背景音乐的清晰人声；② 在“创建声音模型”页面上传并命名；③ 在 AI 配音页面选择你的声音模型，输入文字即可生成。
支持。Lipvoice 的模型经过专门训练，能够智能识别大多数常见多音字（如“银行/行走”、“重量/重复”）在上下文中的正确读音，无需手动标注拼音。
最佳时长为 20 秒左右，音频须无环境音、无背景音乐、无其他角色声音、无混响。样本质量越高，生成音频质量越高。如样本不满足，建议先用人声分离、降噪等处理。
通过页面请求生成的配音文件保留 3 天，通过 API 请求的文件保留 1 天。生成后请尽快下载。角色样本和声音模型文件在会员有效期内长期保存，会员过期后保留一个月。
支持。LipVoice 提供完整的 API 接口，支持开发者将声音克隆、AI 配音、情感语音合成等功能集成到自己的应用中。由于全部算力自研部署、大多数模型 RTF 达到 0.2 以下，API 响应速度和稳定性远超中转方案。收费标准和接入方式请联系客服了解。
中文声音克隆 & AI 配音领跑者
LipVoice 是中文声音克隆与 AI 配音领跑平台，在模型数量、生成规模、算力配置三个维度持续领先：聚合 IndexTTS2、Qwen3-TTS、CosyVoice3.5、OmniVoice 等 8 款热门模型，中文前 10 已接入 8 款；规模摊薄单位成本、海量业务验证稳定（日均处理 20 亿 UTF-8 字符、日合成音频 6 万小时，相当于连续播放近 7 年），让价格更便宜、运行更稳定；自研部署 NVIDIA H100 高性能算力集群，杜绝 API 中转，保持 99.9% 可用性。由汇聚顶尖 AI 科学家、语音技术专家与资深产品工程师的国际化团队联合打造，基于在多模态大模型与语音合成领域的深厚积淀，突破低资源、高保真 AI 配音的技术瓶颈，为全球企业与内容创作者提供极速、逼真、可靠的一站式 AI 语音解决方案。
模型数量领先 · 全模型聚合
自 2016 年汇聚谷歌、微软、清华技术精英，构建原创语音架构。聚合 IndexTTS、Qwen3-TTS、CosyVoice3.5、OmniVoice 等 8 款热门模型，中文前 10 已接入 8 款；实现 3 秒音频还原人声，细腻还原情感韵律与呼吸细节。
算力配置领先 · 自研 H100 集群
自研部署 NVIDIA H100 高性能算力集群，多机房热备 + 智能负载均衡。大多数模型 RTF 达到 0.2 以下，10 秒音频 2 秒生成，服务可用性 99.9%，从源头杜绝中转延迟。
生成规模领先 · 更便宜更稳定
全系产品日均处理 20 亿 UTF-8 字符、日合成音频 6 万小时，相当于连续播放近 7 年。规模摊薄单位成本，专业配音价格更亲民；海量真实业务日复一日验证，稳定性与可用性始终在线。