2026 年最适合实时语音 Agent 的文字转语音（TTS）API

语音 Agent 即使拥有最好的语言模型和最好的转写，只要声音慢、平淡，或者把订单号读错， 依然会失去来电者。文字转语音决定了来电者立刻能察觉的两件事：他们说完话之后线路沉默多久， 以及回复听起来像不像一个在乎他们的人。同样一百万字符，价格现在从 $4 到 $80 不等， 而自 8 月以来，质量排名已经变动了两次。

简短回答：在独立的 Artificial Analysis Speech Arena 上（2026 年 11 月 11 日抓取），ElevenLabs Eleven v4 与 v4 Turbo 占据第一、第二，Cartesia Sonic 3.6 排第四。想以主流音质拿到最低账单，Deepgram Aura-2 与 Rime Mist v3 标价约为每百万字符 $30。有两个老牌产品正在退场：OpenAI 将在 2027 年 1 月 6 日移除 tts-1、tts-1-hd 与 gpt-4o-mini-tts，Hume 将在 2026 年 11 月 13 日结束 TTS API 访问。如果你要选整套技术栈，请先读 语音 Agent 平台对比， 并将本指南与 语音转文字 API 指南 搭配阅读；如果你想看一个完整的搭建示例，请看 如何搭建 AI 电话呼叫 Agent。

Deepgram 自制的视频，把自家 TTS 与 ElevenLabs Flash 作比较。这是厂商营销（视频称 Deepgram 比 ElevenLabs Flash 便宜约 40%），请只把它用作使用场景的参考，不要当作证据。

快速选择

这是我们会从中起步的候选清单。每一行写明了标准、推荐项以及背后的证据。所有价格与分数均截至 2026 年 11 月 11 日。

总对比表

每个产品一行。价格按每百万字符给出，因为这是市场上最常用的计价单位；厂商按分钟、按 token 或按积分计费时， 单元格会给出换算并注明。如果某厂商在我们抓取的页面上没有公布某个数字，单元格会直接这样写，而不是猜测。 最后一列是 Artificial Analysis Speech Arena 的 Elo 以及在 104 个模型中的排名。

阅读说明：Artificial Analysis（AA）说明其价格对应默认设置下的 100 万字符，并会把按 token 计价的模型换算后便于比较， 因此标注为 “AA” 的 Gemini、OpenAI 与 Azure 单元格是 AA 的换算值，而非厂商标价。 本表的延迟数字是厂商对自己的说法。 延迟一节 补充了一份独立测量，两者并不一致。

ElevenLabs（v4、v4 Turbo、v3、Flash）

ElevenLabs 提供本指南中最丰富的声音与模型菜单。2026 年 9 月 28 日它发布了面向制作内容的 Eleven v4，以及面向 Agent 的低延迟版本 Eleven v4 Turbo。 两者都支持 90+ 种语言和内联音频标签，例如 [laughs]，并且都支持专业声音克隆（Professional Voice Clone）， 而 v3 不支持。ElevenLabs 称 Turbo 的中位推理延迟约 100 ms，中位首次发声时间约 150 ms（厂商自报）， 并表示它以略低的音质换取这一速度。它还说 Turbo 是与自家 ElevenAgents 平台一起优化的， 如果你打算在别处运行它，这一点值得留意。

价格（截至 2026 年 11 月 11 日）。API 定价页按每 1,000 字符以美元计费：Eleven v4 为 $0.08 （每百万 $80），Eleven v4 Turbo 为 $0.04（每百万 $40），Eleven v3 为 $0.08，Flash 与 Turbo 档为 $0.04。 每百万字符 $22 与 $11 的发布折扣在 9 月 28 日之后持续了两周，现在页面上并未列出。订阅套餐为 Starter $6、 Creator $22、Pro $99、Scale $299、Business $990（每月），Enterprise 增加 SLA 与 SOC 2。 它的 Realtime v1 语音到语音模型列出 620 ms（Mini）与 570 ms（Max）的首音频时间（厂商自报）， 价格为每分钟 $0.08 外加 LLM 用量。

值得了解的模型限制。根据 ElevenLabs 的模型文档，v4 每次请求接受 10,000 字符，v3 为 5,000， Multilingual v2 支持 29 种语言、10,000 字符，Flash v2.5 支持 32 种语言、40,000 字符，且每字符价格更低。 文档与定价页对部分延迟标签有出入：Flash 在文档中约为 100 ms，在定价页上约为 75 ms；v3 Conversational 在文档中约 165 ms，在定价页上约 280 ms。我们两个都报告，而不是只选一个。

# ElevenLabs REST call (endpoint and fields from ElevenLabs' API reference)
curl --request POST \
  --url "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb?output_format=mp3_44100_128" \
  --header "xi-api-key: $ELEVENLABS_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{"text": "The first move is what sets everything in motion.", "model_id": "eleven_v4"}' \
  --output reply.mp3
# JBFqnCBsd6RMkjVDRZzb is the voice ID in ElevenLabs' own example; use your own voice ID.
# model_id eleven_v4 comes from ElevenLabs' v4 blog post. Check the models docs for the Turbo id.
# For phone audio, output_format accepts ulaw_8000; for live agents use the streaming endpoint.

优势。独立竞技场前两名（Elo 1338 与 1337）、最广的语言列表（90+）、成熟的声音克隆（约 10 秒音频的即时克隆 与专业档），以及通过标签和自然语言指令实现的最强表现力控制。Turbo 的价格是 v4 的一半，Elo 只低一分， 这是本指南里最强的性价比信号。

劣势。在我们读到的 Cekura 数据中，Turbo 的独立首音频时间为中位 189 ms、P95 239 ms， 有竞争力，但落后于公布 50 至 60 ms 中位值的专业厂商。Cartesia 的对比页面声称 ElevenLabs 的延迟在不同通话间波动很大， 且其实时模型支持的语言更少（32 种）；这两点都是 Cartesia 的说法，我们没有测试。一份第三方指南还称， ElevenLabs 的 WebSocket API 默认会等到约 120 个字符才生成第一个音频块，这会影响流式 LLM 输出；我们没有验证这一设置。 最适合：语气、口音真实感或 90+ 种语言比省下最后 50 ms 更重要的 Agent，以及想要克隆品牌声音的团队。

Cartesia Sonic 3.6

Cartesia 的 Sonic 建立在状态空间模型（state space model）之上，而不是大多数对手使用的 Transformer 设计， 并把自己定位为语音 Agent 的速度优先选项。Sonic 3.6 于 2026 年 8 月 27 日正式发布（GA）， 其文档为带日期的快照 sonic-3.6-2026-08-27 列出 44 种语言。Cartesia 称它的响应时间低于 90 ms（厂商自报）， 可通过 Baseten、Amazon SageMaker 或 Together AI 部署，使音频留在你自己的云里，并提供 99.9% 的可用性 SLA， 覆盖 SOC 2、PCI、HIPAA 与 GDPR。其发布文章还引用了跨十五个 locale 的 93% 盲测偏好，这是厂商自己的测试。

价格（截至 2026 年 11 月 11 日）。Cartesia 按积分计费，每字符 1 积分。Free 为 $0，每月 20K 积分； Pro 为 $5 对应 100K 积分；Startup 为 $49 对应 1.25M；Scale 为 $299 对应 8M。Pro、Startup 与 Scale 的超额价格为每百万积分 $65、$45 与 $38。这使有效费率约为每百万字符 $50、$39 与 $37，而 Artificial Analysis 列出的是 $49。 Cartesia 称一分钟音频大约消耗 750 至 800 积分。它的语音 Agent 产品为每分钟 $0.03，电话为每分钟 $0.014。 Pro Voice Cloning 的训练免费，克隆语音的计费同样是每字符 1 积分，把声音本地化到新口音需要 225 积分。

# Cartesia request shape (from Cartesia's Hume migration guide)
POST https://api.cartesia.ai/tts/bytes
  X-API-Key: <your key>
  Cartesia-Version: 2026-08-14
  body: model_id = "sonic-3.6"      # moves with new stable snapshots
        # or pin a dated snapshot: "sonic-3.6-2026-08-27" (never changes)
        # plus transcript, voice and output_format fields (see Cartesia docs)
# /tts/bytes takes one transcript per request. For multi-turn calls, use the
# WebSocket API and its context feature to keep prosody continuous.

优势。排名第四（Elo 1296，高于 Cartesia 8 月引用的 1282），约 10 秒的即时克隆与 30 分钟的专业克隆， 以及带日期的快照，使模型更新不会在没有通知的情况下改变你生产环境的声音。根据文档，旧的专业声音克隆可以沿用到 3.6。 Cartesia 还发布了面向从 Hume 迁移团队的迁移指南。

劣势。独立测量与标题数字不符：经 voiceagent-tts.com 读到的 Cekura 数据显示，Sonic 3.6 的首音频时间中位为 286 ms、 P95 为 374 ms，而厂商称低于 90 ms。两个数字统计的可能不是同一件事，所以请自己跑一次测试。 ElevenLabs v4 与 v4 Turbo 的竞技场分数高于它，且套餐阶梯对较低档位设置了并发上限 （一份第三方指南列出从 Free 到 Scale 分别为 2、3、5 和 15 个并发请求；请以 Cartesia 页面为准）。 Cartesia 的 ElevenLabs 对比页面称在美式英语上对 Eleven v3 有 92% 的盲测偏好，这是它自己对较旧 ElevenLabs 模型做的测试。 最适合：对延迟敏感的电话 Agent、需要 VPC 或本地部署路径的受监管团队，以及希望 STT（Ink）与 TTS 用同一家厂商的团队。

一位创作者对 Cartesia 早期 Sonic 3 模型的演示。Sonic 3.6 更新，标题是创作者的个人看法，所以请只把这段视频用来听声音。

Deepgram（Aura-2、Flux TTS）

Deepgram 以语音转文字闻名，它的 TTS 产品线围绕把整个语音栈放在同一家厂商来设计。Aura-2 是它的主流模型； 较新的 Flux TTS 价格更高。根据其模型文档，Aura-2 覆盖英语的五个区域变体（美式、英式、澳式、爱尔兰、菲律宾）， 西班牙语的四个（墨西哥、西班牙本土、哥伦比亚、拉美），以及德语、法语、荷兰语、意大利语和日语。模型页面没有记录声音克隆。

价格（截至 2026 年 11 月 11 日）。按量计费与 Growth 套餐每 1,000 字符：Aura-2 为 $0.030 与 $0.027 （每百万 $30 与 $27），Aura-1 为 $0.015 与 $0.0135，Flux TTS 在两档均为 $0.045（每百万 $45）， 并有一项促销：每花 $1 送 $1 额度，最多 $500，截止 2026 年 12 月 31 日。新账户获赠 $200 额度。 它的 Voice Agent API 在 Standard 档为每分钟 $0.075，自带 TTS 时为 $0.065。Deepgram 列出 SOC 2、企业套餐的 HIPAA BAA、 位于 api.eu.deepgram.com 的欧盟端点，以及企业版在 NVIDIA GPU 上自托管的容器。

# Deepgram Aura-2 REST call (model name from Deepgram's TTS models docs)
curl --request POST \
  --url "https://api.deepgram.com/v1/speak?model=aura-2-thalia-en" \
  --header "Authorization: Token $DEEPGRAM_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{"text": "Your order ships tomorrow."}' \
  --output reply.mp3
# EU data residency: use api.eu.deepgram.com instead of api.deepgram.com

优势。两家最便宜的主流声音之一（每百万 $30，Growth 为 $27），REST 调用简单，提供数据驻留选项， 并且如果你已经把 Deepgram 用于 STT，还能合并为一张账单（见 我们的 STT 对比）。 在 Cekura 数据中，Flux TTS 的首音频时间中位为 198 ms、P95 为 267 ms，接近 ElevenLabs Turbo。

劣势。代价是质量：Flux TTS 在竞技场排第 71（Elo 1052），价格却是 $45；同一份数据显示 Aura-2 中位 263 ms， 但 P95 达到 525 ms。Deepgram 在我们读到的页面上没有公布单一延迟数字，也没有记录克隆， 其语言列表是这里最短的，只有七种。一份第三方指南列出按量计费下 45 路并发流。最适合：对成本敏感、以英语为主的 Agent，以及希望 STT、TTS 与编排用同一家厂商的团队。

OpenAI TTS（已弃用）

OpenAI 的语音端点曾是许多原型的默认选择：11 个内置声音、可调节语气的 instructions 字段、流式输出， 以及沿用 Whisper 约 57 种语言列表、声音针对英语优化的语言支持。它也是本指南里最明确的迁移风险。 OpenAI 的弃用页面（2026 年 11 月 12 日抓取）把 tts-1、tts-1-hd 与 gpt-4o-mini-tts（包括两个 gpt-4o-mini-tts 快照） 列为 2027 年 1 月 6 日移除。官方给出的替代是经 Realtime API 使用的 gpt-realtime-2.1-mini， 而 TTS 指南提醒它不是 /v1/audio/speech 支持的模型，所以这是工作流的变更，而不是换个模型名。

// OpenAI Speech API (deprecated: shuts down January 6, 2027)
const mp3 = await openai.audio.speech.create({
  model: "gpt-4o-mini-tts",
  voice: "coral",
  input: "Today is a wonderful day to build something people love!",
  instructions: "Speak in a cheerful and positive tone.",
});
// OpenAI's replacement path is gpt-realtime-2.1-mini through the Realtime API.
// It is not supported on /v1/audio/speech, so this is a workflow change.

价格（截至 2026 年 11 月 11 日）。tts-1 为每百万字符 $15，tts-1-hd 为 $30。gpt-4o-mini-tts 按每百万文本 token 输入 $0.60、 每百万音频 token 输出 $12 计费，所以没有每字符标价。Realtime 替代模型按音频 token 计费：gpt-realtime-2.1 为每百万 token 输入 $32、输出 $64， gpt-realtime-2.1-mini 为 $10 与 $20。AA 把 GPT-Realtime-2 换算为每百万字符 $191.56，不过这一数字对应的是一个同时具备推理能力的语音模型， 而不仅仅是 TTS。

优势。API 简单、语言覆盖广，可凭同意录音与音频样本获得经批准的自定义声音，而且如果 LLM 已经用 OpenAI， 就可以只用一家厂商。劣势。竞技场 Elo 为 tts-1-hd 1106、tts-1 1085，远低于领先者，这些模型已排期移除， 而且 OpenAI 的使用政策要求告知终端用户声音是 AI 生成的。我们没有找到这些模型公布的延迟数字。 最适合：在迁移截止日期前需要过渡的现有集成。不要在新项目中使用它们。

Google Cloud（Chirp 3、Gemini TTS）

Google 销售两个有重叠的系列。Cloud Text-to-Speech 有传统档位，外加 Chirp 3: HD，其文档列出 30 个声音（例如 Kore 和 Puck），覆盖约 50 个 locale，所有 locale 支持语速控制，大多数支持停顿控制，许多支持自定义发音。 声音名称遵循 en-US-Chirp3-HD-Kore 的格式。另外，Gemini TTS 模型按 token 计价，目前处于预览阶段。

价格（截至 2026 年 11 月 11 日）。Chirp 3: HD 为每百万字符 $30，前 100 万字符免费，即时自定义声音为 $60。 WaveNet 与 Standard 为 $4（400 万免费），Neural2 与 Polyglot 为 $16（100 万免费），Studio 为 $160。 Gemini 3.8 Flash TTS（预览版）在 2026 年 12 月 31 日前为每百万文本 token 输入 $0.50、每百万音频 token 输出 $9.00， 自 2027 年 1 月 1 日起为 $1.00 与 $18.00。Gemini 3.8 Flash-Lite TTS 为 $0.50 与 $6.00，将升至 $1.00 与 $12.00。 Google 按每秒 25 个音频 token 计算，所以一分钟语音约 1,500 个 token：我们的算术是 Flash TTS 目前每分钟音频约 $0.0135， 2027 年将翻倍（未计文本 token）。AA 列出的是每百万字符 $16.49 与 $11.03。

优势。Gemini 3.8 Flash TTS 在竞技场排第 6（Elo 1283），Flash-Lite 排第 11（1259），价格只是 ElevenLabs 的一小部分， 使它们成为表格中质量与价格比最好的选项。Chirp 3: HD 带来了超大规模云厂商中最广的 locale 列表，以及 Google Cloud 的 IAM 与区域控制。 劣势。Chirp 3: HD 本身得分 1061（第 65），Gemini TTS 是预览版，且已排定在 2027 年 1 月 1 日涨价， Google 在我们读到的页面上没有公布首音频时间。我们在这些页面里没有找到 Gemini TTS 的克隆细节，所以请在规划前自行核实。 最适合：Google Cloud 用户、多 locale 部署，以及愿意接受预览标签的预算敏感团队。

Azure Speech

Azure 的语音服务把 TTS 分为 Neural、Neural HD、Neural HD Flash、MAI-Voice、Professional Voice 与 Personal Voice， 其中最后一项为受限访问。免费 F0 档每月包含 0.5M 神经字符，承诺用量档位（页面提到 80M 字符）为大批量提供折扣。 Microsoft 的语言页面列出了非常大的 locale 表，我们没有逐一统计。

价格。我们抓取 Azure 定价页面时，美元数值是以占位符渲染的，因此无法给出 Microsoft 确认的每百万价格。 Artificial Analysis 列出 Azure Neural 为 $15、Azure HD 2.5 为每百万字符 $22。优势。企业采购、区域可用性与自定义声音选项；Azure HD 2.5 在竞技场排第 34（1145）。劣势。Azure Neural 得分 1032（第 80），公开页面上的价格难以读懂，Personal Voice 需要审批。我们在读到的数据里没有找到 Azure 声音的独立延迟数字。 最适合：已经统一使用 Azure 及其合规体系的组织。

Amazon Polly

Polly 是这里最便宜、也最老的服务。各引擎标价：Standard 每百万字符 $4，Neural $16，Generative $30，Long-Form $100。 免费额度为每月 5M Standard 字符、前 12 个月 1M Neural 字符、500K Long-Form，以及前 12 个月 100K Generative。 它的语言页面列出 40 个语言与 locale 条目，包括威尔士语、冰岛语、加泰罗尼亚语和粤语，很少有竞争对手覆盖这些。

优势。价格最低、与 AWS 深度集成、语言广。Artificial Analysis 把 Polly Standard 列为所有模型中吞吐最快的， 经 Bedrock 为每秒 936.9 字符，不过这是生成速度，不是首音频时间。劣势。质量：Polly Generative 排第 62（1063）， Neural 排第 98（892），Standard 排第 104（830），在 104 个模型中垫底。我们读到的页面里没有记录表现力控制与克隆。 最适合：IVR、通知，以及可懂度比个性更重要的低风险提示音，或者在主要厂商宕机时作为备用声音。

Rime（Mist v3、Coda v2）

Rime 用两个模型主打速度与电话通话的真实感。Mist v3 覆盖英语、法语、德语与西班牙语，有 78 个声音， 英语支持内联发音控制。Coda v2 覆盖 10 种语言（英语、西班牙语、葡萄牙语、法语、德语、意大利语、荷兰语、日语、阿拉伯语、印地语）， 有 313 个声音和词级时间戳。音频通过 HTTP 与 WebSocket 流式传输。Rime 报告 Mist v3 在单并发请求下的首音频时间为 P50 37 ms、 P90 56 ms（厂商自报），自托管时约 70 ms，Coda v2 的 P50 低于 100 ms。

价格（截至 2026 年 11 月 11 日）。Rime 按分钟计费：Free 为 $0，每月含 $50 用量；Flex 价格为 Mist v3 每分钟 $0.030、 Coda v2 每分钟 $0.050。Rime 表示一分钟约 1,000 字符，所以大约相当于每百万字符 $30 与 $50。每月 $100 的 Scale 套餐享 8 折， 为 $0.024 与 $0.040。它的 Prism 语音到语音模型为每分钟 $0.080。企业版列出通过 Docker Compose 或 Kubernetes 自托管、 HIPAA BAA 与 SOC 2 Type II；自定义声音克隆仅限企业版。

优势。主流声音里最便宜的之一、厂商最强的延迟声明、可自托管的路径，以及可用于对齐字幕或打断的时间戳。 Coda v2 在竞技场排第 42（1112）。劣势。独立数据显示 Mist v3 中位 275 ms、P95 360 ms，Coda 为 318 ms 与 428 ms， 与厂商声称的 37 ms 相去甚远。Mist v3 只覆盖四种语言，克隆需要企业合同，而且我们读到的 AA 数据里没有找到 Mist v3 的竞技场行。 最适合：预算有限、以英语和西欧语言为主的电话 Agent，并希望以后可以自托管。

Hume Octave（即将关停）

Hume 的 Octave 2 于 2025 年 10 月 1 日发布，支持 11 种语言，声称首音频时间低于 200 ms，速度提升 40%、价格为 Octave 1 的一半， 并支持从 15 秒样本克隆声音。这些是一年前的官方发布声明。此后 Hume 改变了方向。Cartesia 的迁移页面与若干第三方文章引述 Hume 的更新日志称， TTS 与 EVI API 将在 2026 年 11 月 13 日美国东部时间凌晨 12:01 结束，账户数据随后被删除。 Hume 目前的主页推广的是一个音频决策模型，其开发者文档索引（llms.txt）没有列出 TTS 产品。我们无法抓取更新日志页面本身， 所以请把确切日期视为第三方转述，且不要计划在 Octave 上开始新项目。

迁移说明。Cartesia 的指南称，Hume 的声音设计与自由文本表演指令不会迁移到 Sonic。Artificial Analysis 仍列出 Octave 2， Elo 1058（第 68），每百万字符 $87.50，这表明它是历史选项而非推荐选项。如果你依赖 Octave 的声音，请在截止日期前导出所需内容， 并用你真实的脚本试听替代方案。

开源模型（Kokoro、Orpheus、Sesame CSM、Chatterbox）

开放权重让你可以在自己的 GPU 上运行 TTS，把音频留在自己的网络内，并为算力而不是字符付费。代价是工程工作： 流式输出、批处理、并发、监控与故障切换都由你负责。如果走这条路，我们的 GPU 云对比（英文） 介绍了到哪里租硬件。以下数字来自各项目的仓库或模型卡，抓取时间为 2026 年 11 月 12 日，项目自报的数字会明确标注。

Kokoro 82M

Kokoro 是小而便宜的选择：8,200 万参数，Apache-2.0 权重，v1.0 版本（2025 年 1 月 27 日）覆盖 8 种语言和 54 个声音 （英语、西班牙语、法语、印地语、意大利语、日语、巴西葡萄牙语和普通话）。用 pip install kokoro 安装，并需要 espeak-ng。 模型卡称市场价低于每百万字符 $1，Artificial Analysis 列出经 Replicate 的价格为 $0.65，是其 104 个模型表中最便宜的条目。 它在竞技场得分 1061（第 66），与 Google 的 Chirp 3: HD 大致持平。文档中没有记录声音克隆。该仓库约有 10,000 个 star。 最适合：廉价的备用声音、端侧或边缘部署，以及原型验证。

Orpheus TTS

Orpheus 是 Canopy Labs 基于 Llama 骨干的 Apache-2.0 语音模型。项目报告流式延迟约 200 ms，开启输入流式时约 100 ms （项目自报，未经独立测试），并列出零样本声音克隆与情感标签。2025 年 4 月出现了多语言研究预览，Baseten 是列出的托管合作方。 该仓库约有 6,400 个 star，基于 vLLM 运行（pip install orpheus-speech）。Orpheus 没有出现在我们读到的 Artificial Analysis 行中， 所以我们没有它的竞技场分数。最适合：想要克隆与情感控制、又不想签厂商合同，并且能托管 GPU 服务的团队。

Sesame CSM-1B

Sesame 的对话式语音模型（Conversational Speech Model）是一个 1B 参数的 Llama 骨干加一个生成 Mimi 编码的音频解码器。 仓库为 Apache-2.0，需要 CUDA GPU，约有 14,700 个 star。对 Agent 有两个限制：它只做音频生成（它不能自己写出要说的文本，所以你仍然需要一个 LLM）， 并且 Sesame 表示它在英语之外预计表现不佳。该检查点在 Hugging Face 上需要申请访问，仓库把它定位为研究与教学用途。 最适合：对话韵律的研究与演示，而不是生产环境的默认选项。

Chatterbox（已停用）

Resemble AI 的 MIT 许可 Chatterbox 曾是流行的开源选择，约有 27,800 个 star，变体包括面向低延迟英语语音 Agent 的 350M Turbo 模型， 支持 [laugh] 之类的副语言标签。README 现在有一条横幅，称自 2026 年 8 月起 Chatterbox 已是停用的研究项目，不再维护， 且 Resemble AI 不出售 TTS。Artificial Analysis 仍列出 Chatterbox HD 为 1110（第 43），基础模型为 1021（第 85）， 但请预期不会再有修复或安全更新。最适合：现有部署。不要在其上开始新工作。

领先的开放权重模型。据 Artificial Analysis，Fish Audio Drama 3 是最佳开放权重模型，Elo 1274（总排名第 7），托管价每百万字符 $15。 我们没有读它的许可证，所以在依赖它之前请先核对商用条款。

其他值得关注的

竞技场榜单上还有一些模型，由于我们没有抓取它们完整的厂商文档，所以没有深入介绍。请把它们当作待测线索，而不是推荐。 阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 排第 3（1297，$19.31）。Smallest.ai 的 Lightning V3.1 Pro 排第 8（1272，$19.50）。 Inworld 的 Realtime TTS-2 排第 9（1266，$20.83），其 Flash 变体排第 17（1213，$10.42），独立的 Cekura 测试台显示两个 Inworld 模型 都位于首音频时间表的最前列。Gradium 以 53.7 ms 的中位值领跑该表。竞技场数据中，AssemblyAI-TTS-1 排第 15（1222，$15）， Voxtral 3 TTS 排第 18（1213，$13）。Soniox 与 xAI 的 Grok TTS 出现在 Cekura 的延迟数据里。如果你的候选清单在延迟或价格上不够理想， 这些就是下一批值得试听的名字。

竞技场基准

我们能读到实时数字的唯一公开、中立的质量排名是 Artificial Analysis 文字转语音榜单， 2026 年 11 月 11 日抓取，共 104 个模型。Elo 来自听众在成对片段之间的盲投，所以它衡量的是人们更喜欢哪个声音， 而不是它启动多快，或者读电话号码读得多好。下表列出与本指南相关的模型。几分的 Elo 差距算作平手。比如 Eleven v4 的 1338 与 v4 Turbo 的 1337 在实践中是同一个结果。

表格说明了什么。价格与 Elo 之间只有松散的关系。$6.58 的 Simba 3.5 与 $11.03 的 Gemini 3.8 Flash-Lite 都高于 Cartesia， 也持平或高于若干价格是它们四到八倍的模型。另一端，Polly Standard 以 830 在 104 个中垫底，而 Hume 的 Octave 2 价格 $87.50，得分只有 1058。 旧的 OpenAI 模型处于中游。Cartesia 自己在 8 月的对比里引用 Sonic 3.6 为 1282、Eleven v3 为 1177， 实时表现在显示 1296 与 1189，所以排序没变，数字有所移动。

我们无法使用的内容。我们在 2026 年 11 月 11 日抓取 Hugging Face TTS Arena 页面时只返回了应用外壳， 所以不引用它的任何数字。Artificial Analysis 还发布了发音稳健性基准，我们没有细读。Hume 自己的 Real World VoiceEQ 榜单 （2026 年 11 月 9 日通过一篇第三方文章读到，而非直接来自 Hume）列出 Gemini 3.8 Flash TTS 为 0.92、Flash-Lite 为 0.91、 Eleven v4 Turbo 为 0.91、v4 为 0.90、Sonic 3.6 为 0.84。那是一家已经关停其 TTS API 的公司发布的厂商基准，所以我们不据此排名。

延迟：声称值与实测值

“首音频时间”（TTFA）是发送文本到收到第一个可播放音频块之间的延迟。它与语音识别和语言模型一起，决定来电者说完话后停顿感觉是否自然。 厂商会用对自己有利的方式测量：短文本、单个并发请求、就近区域，而且常常只测模型本身而不含网络。下面的独立数字来自 Cekura 测试台， 由 voiceagent-tts.com（一个第三方聚合站点，2026 年 10 月 27 日查看）转载。我们没有复现它们。

把这些与总表里的厂商声明对比：Rime 称 Mist v3 的 P50 为 37 ms，测试台读到 275 ms；Cartesia 称低于 90 ms，测试台读到 286 ms； ElevenLabs 称 v4 Turbo 中位首次发声约 150 ms，测试台读到 189 ms。ElevenLabs 的差距最小，说明它的声明比较保守。 其他的差了三到七倍。测试台没有列出 ElevenLabs v3 或 v4、Gemini TTS、Hume Octave 2 或 OpenAI 的 TTS 模型的延迟， 所以那些行是空白，不是结果。

如何解读。在电话通话里，尾部延迟比中位数更重要，因为人们会注意到偶尔 500 ms 的卡顿。Deepgram Aura 2 就是一个典型例子： 中位 263 ms，但 P95 达 525 ms，波动很大。一份第三方指南（nextlevel.ai，我们没有测试）还指出一些会改变首块音频时间的缓冲默认值： ElevenLabs 的 WebSocket API 据称默认等待 120 个字符，Cartesia 的缓冲最长为 3,000 ms，除非设为零。 在做基准测试前请先在文档中核对这些设置，因为它们可能增加或减少数百毫秒。如果你的语音栈已经有语音转文字这一步， 我们的 语音转文字对比 覆盖了延迟预算的另一端。

使用 Stream 的 Vision Agents 与 Cartesia Sonic 3 搭建语音 Agent 的演示，适合用来了解 TTS 在流式管线中处于什么位置。

语音 Agent 规模下的成本

每字符的标价在乘以通话量之前看起来都很小。下表把每个选项换算成两种用量下的月账单。我们采用 Rime 自己的换算，约每分钟语音 1,000 字符， 所以 1,000 万字符约为 10,000 分钟 Agent 语音（约 167 小时），1 亿字符约为 100,000 分钟。真实通话会随语速与语言而变化。 Cartesia 称一分钟消耗 750 至 800 积分，这会使它那几行每分钟比表中便宜约 20%。订阅最低消费、免费额度与批量折扣都被忽略， Azure 与 Gemini 使用的是 Artificial Analysis 的换算值，而不是厂商标价。

这意味着什么。最便宜的主流声音与 ElevenLabs v4 之间的差距约为 2.7 倍（1,000 万字符时 $300 对 $800），Turbo 把它降到 1.3 倍。 如果人工坐席的成本远高于 TTS 账单，那么在声音质量上省钱就是一个糟糕的选择。如果你运行的是大批量通知线路，那它就是一个很好的省钱点。 同时也要计入 LLM 与 STT 的成本：Deepgram 的一体化 Voice Agent API 为每分钟 $0.075，Cartesia 的为每分钟 $0.03， ElevenLabs 的 Realtime v1 为每分钟 $0.08 外加 LLM 用量，这些都可能超过上表中仅含 TTS 的项目。 关于另一个用量规划的例子，可以看 MoneyPrinterTurbo 如何把生成的旁白与短视频结合，这是批量 TTS 成本占主导的场景。

如何选择

从无法变动的约束出发：语言、数据驻留、延迟预算或每分钟价格。然后用你自己的脚本试听两到三个入围者。

如果你想要一个捆绑 TTS、STT 与编排的托管栈，请在选独立 TTS API 之前先比较 语音 Agent 平台。 平台可能把声音锁定在它捆绑的厂商上，也可能允许你自带，这有时会直接替你做出选择。想看一个把声音接到电话号码上的搭建流程， 请看 搭建 AI 电话呼叫 Agent。 如果 Agent 还要根据你自己的文档作答，请参阅 向量数据库对比 了解为你要朗读的文本提供内容的检索层。 如果你用 Agent 写代码并想在终端里使用语音，我们的 Antigravity 语音模式指南（英文） 展示了一个相关的配置。

承诺前要测什么

1. 从你所在区域测首音频时间。在将运行 Agent 的服务器上流式生成一段 20 到 40 词的回复， 例如按你预期的并发跑 200 次请求，记录中位数与 P95。在不同时段各做一次。
2. 你最难的字符串。电话号码、订单号、日期、货币、电子邮箱、品牌名，以及任何第二语言。 竞技场 Elo 不测这些。Artificial Analysis 发布了发音稳健性基准，可以作为起点。
3. 流式行为。在 LLM 输出 token 的同时喂入文本，检查声音是否等第一个块太久、 句与句之间语气是否改变，或者是否吞掉第一个音节。如果厂商提供续接或上下文功能，请使用。
4. 打断（barge-in）。确认来电者打断时可以立即取消音频，并且取消后计费停止。
5. 电话音频。请求你的运营商使用的窄带格式（例如 ElevenLabs 列出 ulaw_8000）， 并在真实电话上听，而不是用录音室耳机。
6. 克隆条款。阅读同意、授权与数据保留条款。没有录音同意就克隆声音有法律与声誉风险， 而且 OpenAI 的使用政策要求向终端用户披露声音是 AI 生成的。
7. 速率限制与并发。自助套餐会限制并发流；一份第三方指南列出 Cartesia 从 Free 到 Scale 为 2 到 15， Deepgram Aura-2 按量计费为 45。请以厂商页面为准，并询问突发限额。
8. 备用声音。在功能开关后面接入第二家厂商。Hume 与 OpenAI 都只给了客户几个月而不是几年的迁移时间， 而一个便宜的 Polly 或 Aura-2 备用声音还能应对宕机。

评估方法

• 价格：各厂商自己的定价或文档页面，抓取时间为 2026 年 11 月 11 日至 12 日。按分钟、按积分和按 token 的价格在注明处由我们自己的算术换算为每百万字符。Azure 的页面没有渲染美元数值，所以 Azure 使用 Artificial Analysis 的数字并如此标注。
• 质量：Artificial Analysis Speech Arena 榜单，2026 年 11 月 11 日抓取。Hugging Face TTS Arena 没有返回可读数据。
• 延迟：厂商声明均标注为厂商自报。独立表格是经 voiceagent-tts.com 转载的 Cekura 数据，2026 年 10 月 27 日查看，属于我们没有复现的第三方测量。
• 开源模型：GitHub 仓库与 Hugging Face 模型卡，2026 年 11 月 12 日抓取。Orpheus 的延迟是项目自报。
• Hume 与 OpenAI 关停：OpenAI 来自其自家弃用页面与 TTS 指南。Hume 的日期来自 Cartesia 的迁移页面以及其他引述 Hume 更新日志的第三方；更新日志本身会重定向到新的产品文档。
• 我们没有测试：我们没有在自己的音频上运行这些 API。排名是对已公布数据的综合，没有厂商付费置顶。本文没有联盟链接。
• 我们没有补全的空白：Deepgram、Google、Azure、Polly 与 OpenAI 厂商公布的延迟；Azure 每百万字符的标价；Mist v3 的竞技场行；Hugging Face Arena 分数；以及 Azure 一致的语言数量。

常见问题

来源

除特别注明外，所有页面均于 2026 年 11 月 11 日至 12 日抓取。

• Artificial Analysis：文字转语音榜单（Elo、价格、排名）
• voiceagent-tts.com：Cekura TTS 延迟基准（2026 年 10 月 27 日查看）
• ElevenLabs：API 定价、Eleven v4 发布文章与创建语音 API 参考
• Cartesia：定价、Sonic-3.6 发布文章与TTS 模型文档
• Cartesia：从 Hume 迁移
• Deepgram：定价与TTS 模型文档
• OpenAI：API 定价、弃用页面与文字转语音指南
• Google Cloud：Text-to-Speech 定价与 Chirp 3: HD 文档
• Microsoft Azure：Speech Services 定价
• Amazon Polly：定价
• Rime：定价
• Hume：定价、开发者文档索引与 Versely：Octave 2 文章（第三方）
• GitHub 上的 Kokoro、Orpheus-TTS、Sesame CSM与 Chatterbox
• Deepgram 在 YouTube：Best Text-to-Speech for Voice AI（上文已嵌入）与 The Best Text-to-Speech Platform for Voice AI（上文已嵌入）