速度：        从调用到开始出声的延迟
所需资源：    运行该方案需要的硬件
中英混合：    同一句话中英文混读的自然度
流畅度：      长句子/复杂句子的连贯性
HA支持：      接入HA的难易程度和官方支持情况

⭐⭐⭐⭐⭐  官方内置
         └── 直接在HA集成页面添加
         └── 代表：Azure TTS / Google TTS / Piper / espeak-ng

⭐⭐⭐⭐   HACS插件支持
         └── HACS一键安装，配置简单
         └── 代表：Edge TTS / 百度TTS

⭐⭐⭐     需要自定义组件 或 REST API对接
         └── 手动安装组件或写自动化调用API
         └── 代表：讯飞/阿里/腾讯/所有自托管方案

⭐⭐       几乎无社区支持
         └── 需要自己写集成代码
         └── 代表：Festival / MaryTTS

1. espeak-ng      ~20ms    （本地，但音质差）
2. Piper          ~50ms    （本地，但不稳定）
3. 讯飞/阿里云    200~500ms （云端中文最快）
4. Azure TTS      200~500ms
5. Edge TTS       300~800ms
6. CosyVoice      ~300ms   （有GPU）
7. Fish Speech    ~300ms   （有GPU）
8. Kokoro         ~200ms   （有GPU）/ 1~2s（CPU）
9. OpenAI TTS     500ms~1.5s
10. Bark          2~5s     （GPU）/ 30s+（CPU）❌

1. 讯飞TTS        ⭐⭐⭐⭐⭐  业界标杆
1. Edge TTS       ⭐⭐⭐⭐⭐  微软神经网络天然支持
1. Azure TTS      ⭐⭐⭐⭐⭐  同Edge TTS内核
1. CosyVoice      ⭐⭐⭐⭐⭐  自托管最强
1. Fish Speech    ⭐⭐⭐⭐⭐  自托管最强
5. 阿里云TTS      ⭐⭐⭐⭐⭐
6. OpenAI TTS     ⭐⭐⭐⭐⭐  英文为主时极强
7. 百度/腾讯TTS   ⭐⭐⭐⭐
8. Kokoro         ⭐⭐⭐⭐
9. ChatTTS        ⭐⭐⭐⭐
10. Piper         ⭐⭐    切换生硬
11. espeak-ng     ⭐     基本不可用

最低（仅需网络）
├── Edge TTS / 讯飞 / 阿里 / 百度 / 腾讯 / Azure / Google / OpenAI

低（本地CPU，内存<500MB）
├── espeak-ng / Piper / Festival

中（本地CPU，内存2~4GB）
├── Kokoro TTS

高（需要GPU，显存6GB+）
├── CosyVoice / ChatTTS / Fish Speech / EmotiVoice / XTTS

极高（必须GPU，显存8GB+）
└── Bark

最简单（官方内置）
├── Piper / espeak-ng / Azure TTS / Google TTS

简单（HACS一键）
├── Edge TTS / 百度TTS

中等（手动安装自定义组件）
├── 讯飞TTS / 阿里云TTS / 腾讯云TTS

较复杂（需部署独立服务+REST API对接）
└── 所有自托管AI方案（Kokoro/CosyVoice/ChatTTS/Fish Speech等）

你的核心需求是什么？
│
├── 🎯 简单省事，音质还不错
│   └── ✅ Edge TTS
│       免费+高音质+HACS一键+中英混合好
│
├── 🎯 中文音质最强，可以联网
│   └── ✅ 讯飞TTS 或 阿里云TTS
│       中文天花板，有免费额度
│
├── 🎯 完全不依赖外网
│   ├── 有GPU服务器 → ✅ CosyVoice 或 Fish Speech
│   ├── 只有CPU/NAS → ✅ Kokoro TTS（接受1~2s延迟）
│   └── 树莓派/低功耗 → ⚠️ Piper（接受音质差）
│
├── 🎯 想用自己的声音播报
│   └── ✅ Fish Speech（声音克隆）
│
├── 🎯 预算充足，要最稳定
│   └── ✅ Azure TTS（官方内置+企业级稳定）
│
└── 🎯 英文为主的环境
    └── ✅ OpenAI TTS 或 XTTS