文字转语音榜单今年秋天被改写了。8 月到 9 月之间,Eleven v4、Qwen-Audio 3.1 TTS-Plus、Cartesia Sonic 3.6 和 Gemini 3.8 Flash TTS 拿下了 Artificial Analysis 语音竞技场的前五名,ElevenLabs 自己的上一代旗舰 Eleven v3 则掉到了第 18。这份榜单里最有用的数字是价格:前五名里最便宜的(Gemini 3.8 Flash TTS,每百万字符 $16.50)只有最贵的(Eleven v4,$80)的约五分之一,而分数只低 52 个 Elo 点。价格只有 v4 一半的 Eleven v4 Turbo,得分却和 v4 一样。所以问题与其说是谁听起来最好,不如说是最后那几分对你值多少钱。
五个推荐,按用途划分——全程按每字符价格计算。
我们怎么选
与本站所有榜单同一套规则:论断有出处、价格标日期、只收你真能买到的模型。名次来自 Artificial Analysis 在两个榜单上的听众盲测投票。在厂商自带声音榜单上,每个模型朗读自己的八个原生声音;在克隆声音榜单上,所有模型朗读同样的八个克隆声音,从而单独衡量克隆质量。分数大约有 ±15 Elo 的误差,所以我们把落在这个范围内的差距视为并列,并按价格与可获得性决出先后。
两个榜单的刻度不同,请在同一榜单内比较分数,不要跨榜比较。价格是 Artificial Analysis 在各模型默认设置下生成 100 万字符的成本,并与厂商价目表交叉核对。
有两个推荐位于竞技场之外,原因各不相同。Amazon Nova 2.5 Sonic 是既会听又会说的语音到语音模型,不适合放进文字转语音榜单,所以我们按它的功能来定位。MAI-Voice-2.1 处于公开预览,还没有被测量,在独立分数出现之前排在最后。
快速结论
| 你的情况 | 选择 |
|---|---|
| 质量最好,多数项目的默认选择 | Eleven v4 |
| 接近顶级的质量,价格只要四分之一 | Qwen-Audio 3.1 |
| 用提示词设计声音、长篇旁白、130 种语言 | Gemini 3.8 Flash TTS |
| 在 AWS 上做完整的语音智能体回路 | Nova 2.5 Sonic |
| 全 Microsoft 技术栈,愿意跑预览版 | MAI-Voice-2.1 |
五个模型,并排看
头部模型之间约五倍的价差,一张图看清——每百万字符标价(附上 MiniMax Speech 2.8 HD 作参照):
完整的决策矩阵——分数与价格来自 Artificial Analysis,规格来自各模型页面:
| 模型 | 自带声音 Elo(名次) | 克隆声音 Elo(名次) | 价格 / 百万字符 | 语言 | 获取方式 |
|---|---|---|---|---|---|
| Eleven v4(Turbo / 标准) | 1330(第 1) / 1326(第 2) | 1166(第 3)/ 1161(第 4) | $40 / $80 | 90+ | ElevenAPI,有免费方案 |
| Qwen-Audio 3.1(TTS-Plus) | 1298(第 3) | 1185(第 2) | $19.30 | — | 仅阿里云 API |
| Gemini 3.8 Flash TTS | 1274(第 5) | 1050(第 17) | $16.50 | 130 | Gemini API,有免费额度 |
| Nova 2.5 Sonic | 不在榜单上 | 不在榜单上 | 约每百万语音 token $3 / $12 | 7 | Bedrock,四个区域 |
| MAI-Voice-2.1 | 不在榜单上 | 不在榜单上 | $22(Flash $15) | 23 | Azure,公开预览 |
破折号表示厂商没有明确说明。
逐个说理由
1. Eleven v4 — 质量领先者
Eleven v4 是两个模型,而且都领先。Eleven v4 Turbo 在自带声音榜排第 1(Elo 1330),Eleven v4 排第 2(1326);4 分的差距远在误差范围内。在克隆声音榜上它们排第 3 和第 4(1166 与 1161),落后于 Qwen-Audio 3.1 TTS-Plus 和 HeyGen Voice。两者都支持 [laughs]、[excited, happy] 这样的内嵌音频标签与自然语言指令、多说话人对话、90+ 种语言,也能用约 10 秒音频做即时声音克隆。
务实的建议是先从 Turbo 开始。ElevenLabs 标价是每千字符 $0.04,v4 为 $0.08,称推理延迟中位数约 100 毫秒,而盲测投票分不出两者的差别。长篇成品内容选 v4:单次请求 10,000 字符,针对有声书、配音和译制调校。ElevenLabs 还称,在它自己对四个对手的盲测中约 75% 的听众更喜欢 v4;这是厂商自行组织的测试,我们没有验证。
优势: 盲测第 1、第 2;音频标签与对话;90+ 种语言;克隆能力强;Turbo 适合智能体。 注意: v4 每百万字符 $80,是领先者里最贵的;闭源且仅托管;克隆声音榜上落后于 Qwen-Audio 3.1。
2. Qwen-Audio 3.1 — 性价比之选
Qwen-Audio 3.1 的 TTS-Plus 档在自带声音榜排第 3(Elo 1298),比 Gemini 3.8 Flash TTS 高 24 分,在克隆声音榜排第 2(1185),领先两个 Eleven v4 模型。按 Artificial Analysis 的数字,它每百万字符 $19.30——是 Eleven v4 的四分之一,约为 Turbo 的一半。它周围的家族也很丰富:语音识别、中英文统一音频生成器(TTS-Next)和全双工实时模型,都通过阿里云提供。
有一个重要的提醒。排名的条目是按字符计费的 TTS-Plus 档,而不是我们模型页上按 token 计费的 TTS-Flash,而且我们没找到阿里云百炼关于 3.1 Plus 模型 ID 的页面。文档里有的 Plus 模型是 qwen-audio-3.0-tts-plus,国际站标价每万字符 $0.20,北京区 $0.19253,折算下来就是 Artificial Analysis 列出的每百万字符 $19.30。它排第 6(1267),与 Gemini 在误差范围内。在以第 3 名这个数字为依据做开发之前,请先确认你拿到的是哪个模型 ID。
优势: 盲测第 3、克隆声音第 2;每百万字符 $19.30;ASR 与实时模型在同一家族;中文方言覆盖深。 注意: 仅 API;排名的 3.1 Plus ID 不在公开文档里;阿里公布的基准成绩是自家数据。
3. Gemini 3.8 Flash TTS — 声音设计与长篇
Gemini 3.8 Flash TTS 在自带声音榜排第 5(1274),每百万字符 $16.50,姊妹模型 Flash-Lite 排第 8(1246),$11.00。选它的理由是可控性而不是最高分:它能用文字提示设计全新声音,提供 2,000+ 个现成声音,覆盖 130 种语言,通过结构化元数据逐句导演,编排双人场景,并让声音在长录音中保持稳定。Gemini API 提供免费额度。
有两点需要注意。在克隆声音榜上它掉到第 17(1050),所以克隆某个特定声音不是它的强项。另外 $16.50 与 Google 的推广期价格相吻合,而推广价会在 2027 年 1 月 1 日翻倍:明年起请按约两倍预算。它也是生成器而不是智能体——没有 Live API,没有函数调用。
优势: 基于提示词的声音设计;130 种语言;长篇稳定性;前五名里最便宜;有免费额度。 注意: 克隆声音第 17;2027 年涨价一倍;不能实时对话;为旧版 Gemini TTS 写的提示词需要迁移。
4. Amazon Nova 2.5 Sonic — AWS 上的语音智能体
Nova 2.5 Sonic 上榜,是因为很多搜索语音生成器的人其实在做呼叫智能体,而对这个任务来说,文字转语音引擎只是整个回路的三分之一。Nova Sonic 是单个语音到语音模型:在 Amazon Bedrock 上,它在一条流里听见来电者、推理、调用工具并说话,支持可控的轮流发言和异步工具调用。价格与 Nova 2 Sonic 相同——第三方追踪到的是每百万语音输入 token 约 $3、语音输出 token 约 $12,请以 Bedrock 控制台为准。
限制是实在的。AWS 没有公布 2.5 的基准或延迟数字,只支持七种语言,在四个区域提供,每次连接上限八分钟,长通话需要重启。它无法与 TTS 榜单比较,所以我们按适用场景来定位:已经在 Bedrock 上的团队的选择。
优势: 一个模型完成倾听、推理与说话;工具调用;Bedrock 安全与计费;Strands Bidi Agents。 注意: 没有 2.5 的基准;七种语言;四个区域;八分钟连接上限。
5. MAI-Voice-2.1 — Azure 的预览版
MAI-Voice-2.1 是 Microsoft AI 10 月 1 日发布的文字转语音组合:主模型每百万字符 $22,Flash 档 $15、推理约 45 毫秒。它的独特卖点是一个声音身份跨 23 种语言、每种都带母语口音,外加 5–60 秒片段的受控克隆与 SSML 情绪控制,通过 Azure Speech 和 Foundry 交付。
它的一切都还是暂定的。它处于公开预览、没有 SLA,微软的文档也不建议用于生产。两个模型都还不在语音竞技场上,前代 MAI-Voice-1 排在第 72(Elo 1033),所以微软以外没有人测量过新一代到底有多好。它占一个名额,作为 Azure 团队值得测试的选项,真实分数出现后应当调整位置。
优势: 一个声音跨 23 种语言;Flash 档约 45 毫秒、$15;Azure 集成;克隆有授权防护。 注意: 公开预览、没有 SLA;未被测量;克隆受限。
其他考虑过的模型
这些是接近的竞争者,或者在本榜单里被替换了。都没有进入这五个:
- Cartesia Sonic 3.6 — 自带声音榜第 4(1286),克隆声音榜第 5(1144),每百万字符 $49.00。质量与 Qwen-Audio 3.1 和 Gemini 在误差范围内,价格却是它们的两到三倍。我们暂时还没有它的模型页。
- Realtime TTS-2 — 第 7(1260),$20.80,克隆声音榜第 6(1143)。价格略高于 Gemini、分数略低;我们暂时还没有给它建模型页。
- HeyGen Voice — 克隆声音榜第 1(1203),$30.00,2026 年 10 月发布,但不在自带声音榜上。如果你只需要克隆,值得测试。
- Gemini 3.8 Flash-Lite TTS — 第 8(1246),$11.00;是 Flash 推荐的更便宜姊妹模型,见 Gemini 3.8 Flash TTS 页面。
- Simba 3.2 — 第 9(1244),$6.60,是前十名里明显最便宜的模型。
- Breeze TTS 2 — 第 10(1223),$34.00,是 Artificial Analysis 榜单上排名最高的开放权重模型,自托管的起点。
- ElevenLabs v3 — 第 18(1177);被 Eleven v4 取代,标价同为每千字符 $0.08。
- MiniMax Speech 2.8 — 第 19(HD,1174)和第 24(Turbo,1153),每百万字符 $100 与 $60。它剩下的优势是每个克隆声音 $1.50、每个设计声音 $3。
- Kokoro 82M — 榜单上最便宜的模型,每百万字符 $0.65,开放权重,第 55(1063)。质量要求不高时的预算路线。
想找音乐生成?请看音频模型目录,所有语音模型的完整规格也在那里。榜单最近一次审阅于 2026 年 10 月 13 日。
更新记录
- 2026-10-13 — 首发版本,基于 Artificial Analysis 语音竞技场的自带声音榜与克隆声音榜。排名:Eleven v4、Qwen-Audio 3.1、Gemini 3.8 Flash TTS、Nova 2.5 Sonic、MAI-Voice-2.1。ElevenLabs v3 与 MiniMax Speech 2.8 列入「其他考虑过的模型」。
常见问题
现在最好的 AI 语音生成器是什么?
ElevenLabs 的 Eleven v4。Eleven v4 Turbo 在 Artificial Analysis 语音竞技场上排第 1(Elo 1330),Eleven v4 排第 2(1326),两者差距在误差范围内。如果想要每美元最高的质量,Qwen-Audio 3.1 TTS-Plus 排第 3,每百万字符 $19.30,约为 Eleven v4 的 $80 的四分之一。
Eleven v4 值得这个价格吗?
主要是它的 Turbo 版值得。Eleven v4 Turbo 在盲测中和 Eleven v4 得分相同(1330 对 1326),标价却只有一半(每千字符 $0.04 对 $0.08)。只有当你需要 v4 的成品内容调校和 10,000 字符的单次请求时才选 v4。如果成本比最后 30–60 个 Elo 点更重要,Qwen-Audio 3.1 和 Gemini 3.8 Flash TTS 每百万字符只要 $16.50–$19.30。
最便宜又好用的 AI 语音生成器是哪个?
前五名里是 Gemini 3.8 Flash TTS,每百万字符 $16.50(第 5)。再往下是 Gemini 3.8 Flash-Lite TTS,$11.00(第 8,Elo 1246)和 Simba 3.2,$6.60(第 9,1244),开放权重的 Kokoro 82M 每百万字符 $0.65(第 55,1063)是榜单上最便宜的模型。Google 的价格在 2027 年 1 月 1 日翻倍。
声音克隆哪个 AI 语音生成器最好?
在 Artificial Analysis 的克隆声音榜上(所有模型朗读同样的八个克隆声音),HeyGen Voice 第 1(Elo 1203,每百万字符 $30),Qwen-Audio 3.1 TTS-Plus 第 2(1185),Eleven v4 Turbo 第 3(1166),Eleven v4 第 4(1161)。Gemini 3.8 Flash TTS 掉到第 17(1050)。MiniMax Speech 每个克隆声音收 $1.50,但在这个榜上只排第 20–21。
做语音智能体哪个最好?
做文字转语音这一层选 Eleven v4 Turbo:它排名第一,ElevenLabs 称推理延迟中位数约 100 毫秒。要在 AWS 上做一体化的语音到语音智能体,选 Amazon Nova 2.5 Sonic;Qwen-Audio 3.1 Realtime-Plus 是全双工的替代方案。MAI-Voice-2.1-Flash 面向智能体,推理约 45 毫秒,但仍在公开预览。
有开放权重的 AI 语音生成器吗?
有,但我们的五个推荐里没有开放权重的。Artificial Analysis 把 Breeze TTS 2 列为排名最高的开放权重模型,排第 10(Elo 1223),Kokoro 82M 是最便宜的,每百万字符 $0.65。我们暂时还没有给它们建模型页。
ElevenLabs v3 和 MiniMax Speech 怎么了?
两者都被超越了。Eleven v3 现在盲测排第 18(1177),MiniMax Speech 2.8 HD 排第 19(1174),按 Artificial Analysis 的数字每百万字符 $100。Eleven v4 在 2026 年 9 月 28 日取代了 v3,MiniMax 每个声音 $1.50 的克隆费是它剩下的优势。
这些模型是怎么排名的?
依据 Artificial Analysis 在语音竞技场两个榜单上的听众盲测投票:厂商自带声音榜,每个模型朗读自己的八个原生声音;以及克隆声音榜,所有模型朗读同样的八个克隆声音。我们把落在约 ±15 Elo 误差范围内的差距视为并列,并按价格与可获得性决出先后。Nova 2.5 Sonic(语音到语音)和 MAI-Voice-2.1(尚未被测量)按文档而不是投票来排位。
这个榜单多久更新一次?
有重要模型发布时我们会重新检查。这个首发版本于 2026 年 10 月 13 日对照 Artificial Analysis 的两个语音竞技场榜单、厂商价目表与官方文档审阅。
来源
- Artificial Analysis — 文字转语音榜单(厂商自带声音)
- Artificial Analysis — 文字转语音榜单(克隆声音)
- ElevenLabs — 发布 Eleven v4
- ElevenLabs — ElevenAPI 定价
- 阿里云百炼 — qwen-audio-3.0-tts-plus
- 阿里云百炼 — qwen-audio-3.1-tts-flash
- Google — Gemini 3.8 Flash TTS 与 Flash-Lite TTS
- Gemini API 定价
- AWS — 发布 Amazon Nova 2.5 Sonic
- Microsoft AI — MAI-Voice-2.1
- Microsoft Learn — MAI-Voice-2.1 与 MAI-Voice-2.1-Flash
- MiniMax API 文档 — 按量付费