2023年作为AI元年，各个领域的技术都有大规模的革新，语音领域的TTS（语音合成）也有很多新技术出现，比如Bert-Vits2、OpenVoice等等，都风靡一时。

笔者由于工作需要，近一个月在调研开源TTS，由于业务需要，主要看合成音频的效果（MOS）和合成速度（RTF）这两个指标，以及克隆（Finetune）的效果，因为涉及的开源比较多，就不一一介绍模型原理了，后面会逐步发帖讲解（等我搞明白再说）。废话不多说，我们开始。

根据模型形态，TTS模型可以分为2大流派：两阶段式和端到端式。所谓两阶段式TTS，就是从文本输入到音频输出，中间经过两个模型，声学模型（Acoustic Model）和声码器（Vocoder），声学模型将文件转为梅尔频谱，声码器将梅尔频谱转化为波形，也就是我们听到的声音；端到端式TTS，顾名思义，就是一个模型搞定一切。

从时间发展上看，以2020年为界，之前可以说是两阶段式TTS的天下，声学模型主要有tacotron、tacotron2、fastspeech、fastspeech2，声码器就多了，如hifigan、melgan、waveglow、wavenet等等；自从2021年Vits出现之后，打破了两阶段式TTS的模式，毕竟谁不喜欢效果更好+训练更方便的模型。Vits作为端到端TTS的鼻祖，后续大家的研究基本都以它为基础，如Vits2、Bert-Vits2、Vits-Fast、MeloTTS 等等。

后面的讲解也分为