2026年最好用的AI语音合成：12个声音横评

发贴员

我们写了一段70字的天气预报播客开场白，分别交给11个主流文本转语音模型，再加上一个本地开源模型，看谁表现最好。结果是好消息也是坏消息：12个声音里有10个完整读对了所有字。但当每个demo都听起来不错时，选择就变得困难了——因为决定好坏的东西demo里不显示：语速、一小时的成本、能不能教它怎么念专有名词。测试脚本故意写得很普通：包含一个年份（1950）、一个拼出来的数字（twenty-four）、一个问句、三个并列项和一句引语。这些都是TTS容易出错的小陷阱。主要发现：- 12个声音中10个逐字读对了脚本- 语速是你最先听出的差别，有的快有的慢- 一小时语音的成本从2美分到5美元不等，差250倍- 标签、指令和声音克隆比预设语音更重要- 支持的语言从8种到83种不等，但数量多不代表质量好- 一个本地开源模型在笔记本上9秒读完，不需要注册账号选择建议：先按用途挑，再试听。做有声书选自然度高的，做短视频选语速快的，做产品演示选音色匹配的。成本差异巨大，先小批量测试再大规模使用。