TTS 模型与音色：它们不是一回事

TTS 模型与音色并非同一概念：音色更像输入，模型提供通用能力，音色决定生成语音的特征。固定说话人模型只接收文本，多说话人模型可额外选择预设音色，零样本克隆模型则接受参考音频作为提示。Cartesia 的 Instant Voice Cloning 只需 10 到 60 秒音频即可克隆音色，其 Sonic 端到端 TTS 模型同时支持克隆。