最佳 AI 语音合成（文本转语音）音色横评

十二种音色朗读同一段 70 词的文稿，十种一字不差；而一小时语音的费用，从两美分到五美元不等。

我们写了一段 70 词的播客开场白（主题是天气预报），通过大多数人接触它们的三个平台——Runware、Replicate、OpenRouter——发给十一个文本转语音模型，再在一台断网的笔记本上跑一个免费开源模型。十二段输出听起来都像人在说话，其中十种逐字读对，整个实验只花了大约 19 美分。

这就是好消息，也正是挑声音变得让人困惑的原因。当每个 demo 都好听时，真正的决定因素就转到了 demo 里看不到的地方：读得有多快、一小时要花多少钱、能不能指挥它某一句怎么说、支持多少种语言、断网时能不能用。本文在同一段文稿上测量这五件事。我们不替你评判"自然度"——这里放了试听片段，自己按播放键排名吧。

十二种音色里十种逐字读对

脚本故意写得很普通：含一个年份、一个英文拼写出来的数字、一个问句、一个三项列举，还有一句加引号的话。这些小陷阱能区分"在朗读"和"在背诵"。我们用同一台笔记本上的 Whisper 把每段配音转写回文字，再和原脚本逐字比对。Whisper 不是完美裁判，它把"twenty-four"写成"24"，还会在尾音静默里凭空加一句"Thank you"，这两处不计入。

十段完全吻合。两处例外都是在 Replicate 上跑的开源模型：Chatterbox 读到引号那句之前就停了，本该说"Let's start with the satellites"的地方留下三秒静音；Qwen3-TTS 把"forecaster"读成了两个词，被 Whisper 听成了"fear caster"。两者再试一次都能修好，但本次测试的规矩是只试一次——因为一千行的脚本不会给你重抽的机会。

语速是你最先听出的差别

在注意到音色冷暖之前，你先注意到的是快慢。同一段 421 字符的文稿，十二次朗读从 23.3 秒到 32.5 秒，相差 40%，这是"听着像新闻播报"和"听着像睡前故事"的区别。

语速既影响心情也影响钱。所有平台都按输入字符或 token 计费，而不是按输出秒数计费，所以读得慢的声音，同样的账单能换到更多音频。一部十小时有声书，按每分钟 129 词约合 7.7 万词；按每分钟 181 词，同样十小时能装 10.9 万词。多数模型都暴露了 speed 参数，默认值只当参考——比如 Grok TTS 按官方文档支持 0.7 到 1.5 的倍率。

另一个时钟是往返耗时：你等文件回来要多久。它和语速无关，只和模型跑在哪有关。ElevenLabs Flash v2.5 用 2.4 秒就返回了 30 秒音频；Gemini 花了 17.8 秒，Qwen3-TTS 花了 26.5 秒。如果是过夜批量渲染一整本书，这些都无所谓；如果是有人在听、要边听边答的助手，这就是产品本身——也是本文里唯一一个你应该从自己所在地区重测的数字。

同一段 70 词、十二次朗读（音色｜经由｜听写｜词/分｜往返｜每小时）

ElevenLabs v3｜Replicate｜逐字正确｜138｜8.7s｜$4.97
GPT Audio｜OpenRouter｜逐字正确｜138｜6.3s｜$4.79
MiniMax Speech 2.8 HD｜Runware｜逐字正确｜129｜9.6s｜$4.66
ElevenLabs Flash v2.5｜Replicate｜逐字正确｜139｜2.4s｜$2.51
Gemini 3.1 Flash TTS｜Runware｜逐字正确｜134｜17.8s｜$1.81
Chatterbox｜Replicate｜末句前中断｜152｜20.2s｜$1.37
Qwen3-TTS 1.7B｜Replicate｜forecaster 读成两词｜142｜26.5s｜$1.02
Grok TTS｜Runware｜逐字正确｜152｜5.9s｜$0.83
Fish Audio S2.1 Pro｜Runware｜逐字正确｜131｜7.0s｜$0.71
GPT Audio Mini｜OpenRouter｜逐字正确，最快｜181｜4.4s｜$0.23
Kokoro 82M 托管｜Replicate｜逐字正确｜165｜2.8s｜$0.02
Kokoro 82M 本地｜本机｜逐字正确｜168｜8.9s｜$0.00



一小时语音，从两美分到五美元

买家最想要、厂商最不愿印出来的数字，就是成品语音一小时的账单——因为每家计费单位都不一样。ElevenLabs、MiniMax、xAI、Fish Audio 按字符计费；OpenAI 和 Google 按音频 token 计费，Google 的价格页写明一秒音频约 25 个 token。所以我们用老实办法换算：拿每个平台为这段小样本实际收的钱，按该音色自己的语速放大到 60 分钟。

顶端是 ElevenLabs v3，按 Replicate 上每千字符 0.10 美元算，约合每小时 4.97 美元；GPT Audio 4.79 美元、MiniMax Speech 2.8 HD 4.66 美元紧随其后。中间档里，ElevenLabs Flash v2.5 正好是 v3 的一半，Gemini 3.1 Flash TTS 落在 1.81 美元，托管开源模型聚在一美元附近。

再往下是地板。Grok TTS 和 Fish Audio S2.1 Pro 标价都是每百万字符 15 美元，约合每小时 80 美分；GPT Audio Mini 按 OpenRouter 上每百万音频 token 2.40 美元，我们实测每小时 23 美分；Replicate 上托管的 Kokoro 只要两美分一小时，因为它只为共享 GPU 上 0.8 秒的时间计费。最贵和最便宜的全托管云声音之间相差 20 多倍，托管开源模型又比它低一个数量级，而到本地模型之间的差距，在算术意义上是无穷大。Premium 档的价格是由"人愿意付多少"决定的，不是由"跑起来花多少"决定的。

一个算术陷阱：ElevenLabs 卖订阅而不是卖字符。它的 22 美元 Creator 套餐含 12.1 万积分，v3 上一个积分一个字符，官方称约合 121 分钟语音——把积分用满约合每小时 11 美元，用不满更贵，所以小批量买同一个模型走 Replicate 更划算。如果你要对外出售成品，授权条款比价格更重要。

标签、指令和声音克隆，比预设音色更重要

预设音色是语音模型里最不重要的东西，因为如今每家都打包了几十上百个：MiniMax 在 Runware 上列了 193 个，Google 列了 30 个，xAI 列了 27 个。真正区分模型的，是你选定音色之后怎么"指挥"它读某一句，路子有三种。

第一种是行内标签：ElevenLabs v3 能读文本里的强调、叹气之类音频标签；Fish Audio 接受自由方括号提示，并支持一次请求多说话人标签；Gemini 的 schema 接受说话人名字标记来写对话。第二种是单独的指令：OpenAI 的 GPT-4o Mini TTS 除了脚本之外，还接受一段描述语气、口音、节奏的自由文本，Gemini 也以同样方式接受 style prompt。第三种是克隆：Fish Audio、MiniMax、Qwen3-TTS、Chatterbox 都能从一小段录音复刻音色，Qwen 官方称只要三秒。

各模型能力对照（模型｜语言｜控制方式｜克隆｜单次上限）

ElevenLabs v3｜70+｜音频标签加稳定性滑杆｜支持｜5,000 字符
GPT-4o Mini TTS｜未公布｜语气/口音/节奏自由文本指令｜不支持｜2,000 token
MiniMax Speech 2.8｜40+｜情绪预设、停顿标记、193 种音色｜1.5 美元/个｜50,000 字符
Gemini 3.1 Flash TTS｜70+｜白话 style prompt；对话标记｜不支持｜未公布
Grok TTS｜20｜0.7–1.5 倍速；行内停顿标签｜不支持｜60,000 字符
Fish Audio S2.1 Pro｜83｜自由方括号提示；多说话人标签｜参考片段零样本｜未公布
Qwen3-TTS（开源）｜10｜风格指令；文字描述设计音色｜3 秒克隆｜你的硬件
Chatterbox（开源）｜23｜夸张度与语速权重｜短片段克隆｜你的硬件
Kokoro 82M（开源）｜8｜仅调速；54 种预设音色｜不支持｜你的硬件

你需要哪种取决于活儿：朗读小说的旁白要标签，因为情绪一句一变；对客户说话的产品要指令，因为整个声音得一个调性；做自己频道配音的创作者要克隆——但录音前先看清克隆规则，克隆一个不属于你的声音是法律问题而不是技术问题。还有一列安静的关键数字：ElevenLabs v3 单次停在 5,000 字符，MiniMax 5 万，xAI 6 万，对一章内容来说，这决定了你的流水线要拼几刀。

语言数量从 8 到 83，但数量不等于质量

Fish Audio 说 83 种，ElevenLabs v3 说 70 种以上，Chatterbox Multilingual 列 23，xAI 列 20，Qwen3-TTS 列 10，Kokoro 只有 8。这些数字都对，却也是规格表里最没用的一行——就像一本短语手册不等于流利。一个模型列了印地语，可能读出来的口音让印地语母语者无法使用，而没有厂商公布过逐语言的质量分。

靠谱的测试就是我们这里做的：用你需要的语言，写一段带数字、带名字、带问句的话，发给三四个候选，让母语者评判。Fish Audio 和 xAI 把这件事做得很便宜，一段话不到一美分。另外两个细节比数量更重要：模型是否自动检测语言（xAI、MiniMax、Qwen 都接受 auto 设置），决定了混排多语言文本时的表现；语言列表里是否包含你要的具体口音（比如巴西葡语和葡萄牙葡语，xAI 是分开列的）。

一台笔记本九秒读完这段话，不要账号

本次测试里最便宜的声音是免费的，而且不是玩具。Kokoro 是个 8200 万参数、Apache 2.0 协议的模型，带 54 种预设音色。我们用 kokoro-js 包在 MacBook Pro 上跑，加载量化 ONNX 权重，纯 CPU、不碰 GPU，70 词脚本 8.9 秒生成完毕，约为实时的三倍快。Whisper 逐字转写无误，和 Replicate 上托管的同一模型版本长度相差不到半秒。首跑下载约 90MB 权重、加载 85 秒，之后每次加载 0.3 秒。

另外三个开源模型值得知道：阿里的 Qwen3-TTS 提供 0.6B 和 1.7B 版本，Apache 2.0，支持克隆和文字描述设计音色，本次测试里往返最慢（26.5 秒），但控制台上能力最强；Chatterbox 是 MIT 协议、5 亿参数，会给每个文件嵌一段听不见的水印，这对某些用途是特性、对另一些是约束；Supertonic 是个 6600 万参数的模型，作者在 M4 Pro CPU 上实测每秒 912 字符，也是 CSuite 应用内置做端侧语音的那个——因为它能在应用里零 key 直接跑。

取舍是：用控制力和覆盖面换隐私和价格。三个本地模型都不像 ElevenLabs 或 Fish 那样能用标签精细控制，本地语言列表也短。但永不离开本机的脚本，才是保密条款允许的那种；在火车上也能用的声音，才是断网时还能工作的那种。

按活儿挑，然后亲自听

如果声音本身就是产品（有声书、品牌节目），顶配值这个价：要逐句标签控制选 ElevenLabs v3；要一句话指令定整体调性选 GPT Audio 或 GPT-4o Mini TTS；要最大音色菜单和超长请求选 MiniMax。预算按成品语音每小时约 5 美元估，对外售卖前先读授权。

如果声音只是一个功能（读通知的 App、需要六种语言旁白的课程、要粗剪轨的视频），从地板开始：Fish Audio S2.1 Pro 和 Grok TTS 一小时不到一美元，能干净读完我们的脚本，对大多数句子的控制也够用；GPT Audio Mini 更便宜，前提是你受得了它的语速或者把它调慢。

如果文本是机密的、或者机器要离线、或者预算为零，就跑 Kokoro：它在笔记本 CPU 上九秒无错读完我们的脚本。无论你落在哪一档，在把项目交给某个声音之前，都照本文做一遍：一段带数字、问句和引语的话，只录一遍，用你自己的耳朵。