音频模型
文本转语音、语音与音乐生成模型，从富有表现力的旁白到可直接发布的歌曲与商用安全音频。
Eleven v4
ElevenLabs 于 2026 年 9 月 28 日发布的文字转语音双模型——面向成品内容的情感型 Eleven v4，以及推理延迟约 100 毫秒、面向实时智能体的 Eleven v4 Turbo。支持 90+ 种语言与音频标签，位居 Artificial Analysis 语音竞技场第 1、第 2，每千字符 $0.04 起。
Gemini 3.8 Flash TTS
Google 于 2026 年 9 月 23 日发布的旗舰文字转语音模型——用文本提示词设计声音、支持 130 种语言、逐句导演、双人场景与长篇稳定性，2026 年内每 10 秒音频仅 $0.00225。
Suno v5.5
领先的 AI 音乐生成器，能产出完整、可直接上电台的歌曲——自然人声、真实歌曲结构、声音克隆与 30+ 流派，仅需一条文本提示。
ACE-Step
开源的整曲生成器——免费、可自托管、带人声的音乐，可在单块消费级 GPU 上运行。
Amazon Nova 2.5 Sonic
亚马逊 2026 年 10 月 5 日发布的实时语音智能体语音转语音模型——相比 Nova 2 Sonic 推理、指令遵循与工具调用更准、延迟更低，18 种声音、7 种语言、256K 上下文，价格不变，在 Amazon Bedrock 上提供。
MAI-Voice-2.1
微软 AI 于 2026 年 10 月 1 日发布的文字转语音双模型——面向富表现力长篇音频的 MAI-Voice-2.1（每百万字符 $22）与面向低延迟智能体的 MAI-Voice-2.1-Flash（$15），支持 23 种语言、同一个声音跨所有语言，目前在 Azure 上为公开预览。
Qwen-Audio 3.1
阿里千问于 2026 年 9 月 23 日发布的五模型音频系列——ASR、ASR-Next、TTS、TTS-Next 与全双工 Realtime——仅提供 API（百炼 Model Studio），标价下调：TTS 约 70%、Realtime 约 85%、ASR 最高 95%。
ElevenLabs Music v2
商用最安全的 AI 音乐生成器——与唱片公司及出版商合作打造，支持逐段编辑、完整 API 与录音室级导出。
Lyria 3
Google DeepMind 的音乐生成模型——最长三分钟的高保真 48kHz 音频，通过 Vertex AI 与 Gemini API 提供。
MiniMax Speech 2.8
MiniMax 的文本转语音产品线——富表现力的多语言合成、按声音计费的克隆与声音设计、庞大的内置音色库与异步长文本任务，每百万字符 $60–$100。
Stable Audio 2.5
Stability 的音乐与声音模型——快速、商用已清权的器乐曲目与声音设计，配企业友好的 API。
Udio v4
AI 音乐工具中的音质领跑者——48kHz 渲染、同类最干净的乐器分离，面向电影与品牌级音乐。
ElevenLabs v3
ElevenLabs 上一代富表现力文字转语音模型，2026 年 9 月 28 日起被 Eleven v4 取代——支持 70+ 种语言、多说话人对话与音频标签，现位列 Artificial Analysis 语音竞技场第 18。