2026 年 AI 语音合成模型怎么选：音色、读音与 API 成本
比较 ElevenLabs、Chirp 3 HD、GPT-4o Mini TTS 和 Gemini 配音 API，分清字符与音频 token 计费，并把读音修正和重做纳入预算。
声音悦耳，却把价格读错，这段配音仍然不能用。为产品讲解、培训或通知选择语音合成模型，首先要看它能否准确读出已经批准的脚本，以及后面还要花多少时间修正。
普通旁白，我们会先比较 Chirp 3 HD 与 Eleven Multilingual v2。 需要快速响应时加入 Eleven Flash v2.5；需要更明显的情绪表达时考虑 Eleven v3。GPT-4o Mini TTS 是按 token 计费的另一项候选；能够接受预览状态的项目，也可以评估 Gemini 3.1 Flash TTS Preview。这些建议根据文档和计费方式提出，不是试听实测的冠军名单。
文档与价格核查于 2026 年 9 月 7 日。本文比较托管语音合成模型与 API，不包含转写、完整语音 Agent、消费者订阅或定制声音制作费。封面是主题插画，不作为模型输出证据。
先分清字符、文字 token 和音频 token
下表的字符计费项，统一假设输入 10 万个计费字符，暂不扣免费额度，也不套用订阅、促销、税费或重试。按 token 收费的模型不强行换算成字符单价。
| 模型与直接服务 | 官方用量费率 | 10 万字符的费用 |
|---|---|---|
| Chirp 3 HD · Google Cloud | 每百万字符 $30 | 扣额度前 $3 |
| Eleven Flash / Turbo · ElevenAPI | 每千字符 $0.05 | $5 |
| Eleven Multilingual v2 / Eleven v3 · ElevenAPI | 每千字符 $0.10 | $10 |
| GPT-4o Mini TTS · OpenAI | 每百万文字输入 token $0.60；音频输出 token $12 | 需测量 token |
| Gemini 3.1 Flash TTS Preview · Gemini API | 每百万文字输入 token $1；音频输出 token $20 | 需测量 token |
Chirp 3 HD 有适用的月度免费额度，所以表中的 3 美元只是按付费单价计算，不是小用量账户一定会收到的账单。ElevenAPI 当前页面明确按美元计费，不应拿 ElevenLabs 其他产品的积分说明替代，也不能默认每个账户都能享受广告中的订阅优惠。
字符、文字 token、音频 token 是三种单位。同一份脚本更换声音、停顿和语速后，音频长度可能不同。对按 token 收费的服务，应先生成有代表性的片段，读取实际用量，再估算整批任务。仅凭上表，不能判断哪家生成这段录音更便宜。
用脚本中最难的部分挑模型
ElevenLabs 模型指南把 Multilingual v2 定位于稳定的长篇语音，把 v3 用于表达，把 Flash v2.5 用于低延迟任务。这些定位可以解释入选理由，却不能证明它们会正确读出你的行业词。指南还单独说明了 Flash v2.5 的数字规范化限制，也就是把数字和缩写转换为合适读法时需要注意的问题。
产品操作讲解可以先让 Chirp 3 HD 与 Multilingual v2 读同一份脚本。检查漏词、同一个词前后读法不一致、句子衔接突兀，以及语速是否影响听众跟上操作。两者都满足要求时，完整流程更便宜的一项就值得采用。
做对话回复，则把 Flash v2.5 与现有语音接口放在相同网络条件下比较。分别记录多久开始听到声音、多久播放完成。厂商公布的模型延迟，不等于应用从收到问题到出声的总耗时；生成回答和传输音频也需要时间。
需要情绪更鲜明的开场时，可以把 v3 加入候选。比较时先固定文字，只调整表达方式。如果配音擅自增加感叹词，或把原本有条件的说法读成了确定承诺，即使听起来有感染力，也应判为不合格。
GPT-4o Mini TTS 可以参加这些短脚本试验，前提是输入长度和输出满足任务需要。Gemini 的预览型号同样要试听，并在正式接入前核对当前可用状态。已有流程符合要求时，不必只为了更新型号名称而迁移。
一句通知，就能检查几种高代价错误
下面是一段专门设计的虚构通知：
工作坊于 9 月 18 日上午 9 点 30 分开始，费用是 19 美元 50 美分。不要进入 B 十四号房间，请使用 B 四十号房间。
生成前，先确定可以接受的读法。日期、时间、金额、否定词和两个房间号都不能变。对应英文脚本也应单独批准、单独试听；英文表现好，不能直接证明中文读音也好。
例子把容易混淆的数字写得比较明确。处理自己的脚本时，可以把这种形式与原始缩写或房间代码对照试读。先整理输入，可能比反复生成便宜，但把金额改成文字时，金额本身必须保持不变。
短句通过后，还要试听一份同类长脚本。一句话读对了，不代表跨段落也稳定。比较模型时先保持相同分段，再另测正式使用的切段方式；拼接音频也可能引入异常停顿或声音不连贯。
不要仅靠另一个转写模型判分。转写可以帮助找漏词，却难以完整评价重音、节奏和拼接感。最终仍需要懂目标语言的人听一遍。
预算应算到配音通过审核为止
假设一批旁白有 10 万字符，按表中三档字符费率，生成一次分别花 3、5 或 10 美元，未扣免费额度。如果修正读音又生成了 2 万字符，用量费用就变成 3.60、6 或 12 美元。这里的返工量是假设，不是这些模型的实测失败率。
试听和剪辑可能比生成更贵。记录生成字符或 token、通过审核的音频分钟数、废弃片段和审核时间，再计算每分钟合格音频的完整成本。同一段文字故意读慢、产出更多分钟，不应该因此显得更划算。
如果原材料是录音，先参考语音转写模型比较；如果脚本还需要另一种语言，再看翻译模型比较。翻译和发音要分别批准：把错误的译文念得再准确，也不是合格配音。
先用两个候选读困难句，再试听一份完整代表脚本。最终选择能够保留文字、符合表达要求，并让生成与修正总费用最低的方案。
参考资料
- Google Cloud 语音合成价格：字符费率与免费额度。
- ElevenAPI 价格：当前按美元计算的 API 用量费率。
- ElevenLabs 模型指南：型号定位与数字规范化注意事项。
- GPT-4o Mini TTS：token 费率与输入限制。
- Gemini API 价格：预览语音模型的文字和音频费率。
