指南

适合应用、视频和语音智能体的最佳中文文本转语音

应用播报、视频旁白、语音智能体、中英泰混排文本、品牌专属音色,各该选哪家中文文本转语音服务?本文依据每家厂商自己的文档逐项说明。

· Paxa Labs · 阅读约 9 分钟

中文文本转语音哪个好,取决于您要做的事。Paxa TTS Flash v2 用同一个音色朗读简体中文、英语和泰语。MiniMax、ElevenLabs、Fish Audio、Cartesia、Azure AI Speech、Google Cloud、Amazon Polly、Murf、Narakeet 和 WellSaid Labs 的文档也都列出了普通话,其中 MiniMax、Narakeet 和 WellSaid 还列出了粤语。

下文每一条厂商信息都链接到该厂商自己的文档,内容以我们的对比页面在 2026 年 10 月和 11 月核实的为准。我们不给任何厂商打分,也不排名。各家公布的价格见文本转语音 API 对比,每月复查一次。

哪些文本转语音服务支持普通话?#

服务文档如何列出中文文档还写明
Paxa TTS Flash v2全部 50 个音色都能朗读简体中文文本同一批音色也读英语和泰语。提供实时 WebSocket,以及词级、句级或整段时间戳
MiniMax40 个语言取值中,中文和粤语各为一项声音克隆和实时流式合成
ElevenLabs最新模型的 90 多种语言中包含普通话音色库音色、克隆音色和按文字描述设计的音色,支持 HTTP 和 websocket
Fish AudioS2 Pro 的 80 多种语言中点名了中文声音克隆和流式 WebSocket
Cartesia44 种语言中包含中文(zh),并有 zh-CN 区域代码websocket 端点和 add_timestamps 参数
Azure AI SpeechStandard、Multilingual 和 HD 三个档位都有 zh-CN 音色每个词触发一次 WordBoundary 事件
Google CloudGemini-TTS 上的普通话(cmn-CN)处于 Preview 阶段,另有 Chirp 3 HD、WaveNet 和 Standard 类型的 cmn-CN 音色英语和泰语在 Gemini-TTS 上已正式可用
Amazon Polly一个普通话音色 Zhiyu词和句子的 speech marks
MurfMandarin (China) 分类下有 4 个 Falcon 2 音色和 6 个 Gen2 音色Falcon 2 面向语音智能体流式输出,支持 ALAW 和 ULAW
Narakeet普通话、台湾华语和粤语各有独立的音色列表随音频返回 SRT 和 VTT 字幕文件
WellSaid Labs中文(粤语和普通话),其中有 6 个简体普通话合作方音色以 JSON、SRT 和 VTT 返回词级时间信息

有两家常用的语音 API 没有普通话。Deepgram 的 Aura 音色覆盖七种语言,其中没有中文。SpeechifyAI 为 simba-3.0 列出六种语言,simba-3.2 只列出英语。OpenAI 的指南写明,其语音模型大体沿用一份包含中文在内的 57 种语言列表,并说明内置音色目前主要针对英语优化。

需要说普通话的应用或网站该选哪家?#

Paxa TTS Flash v2 的每个音色都能朗读简体中文文本,50 个音色中有 2 个专为通篇中文的文本挑选。中文音色页面用同一句话播放它们。已经基于 OpenAI SDK 开发的应用,更换 base URL 和密钥后即可调用兼容端点。

云平台方面,Microsoft 的音色表在 Azure AI Speech 的 Standard、Multilingual 和 HD 档位都列出了 zh-CN 音色。Google 的音色列表有 Chirp 3 HD、WaveNet 和 Standard 类型的 cmn-CN 音色,Gemini-TTS 则把普通话列为 Preview。Amazon Polly 的音色表列出一个普通话音色 Zhiyu,可用于 Neural 和 Standard 引擎。

MiniMax 的 API 把中文作为 40 个语言取值之一。Botnoi Voice 在 20 多种语言中列出了中文,并附有中文发音人页面。

估算费用之前,先看各家怎么计算一个汉字。Microsoft 的计费说明把每个汉字计为两个字符。Paxa TTS Flash v2 一个汉字计一个字符,费率与英语和泰语相同。

视频旁白、课程和字幕该选哪家?#

字幕除了音频,还需要每个词的时间。Paxa TTS Flash v2 在同一个请求中随音频返回词级、句级或整段时间戳,字幕页面展示了它们落在字幕行上的效果。单次请求最多朗读 20,000 个字符,更长的课程拆成多个请求,再把音频拼接起来。

Narakeet 的 API 可以随音频返回 SRT 和 VTT 字幕文件,按段落边界同步。WellSaid 的词级计时端点返回音频以及 JSON、SRT 和 VTT 格式的词级时间信息,它的 Global Voices 页面列出 6 个简体普通话合作方音色。Microsoft 的 Speech SDK 在每个词处触发 WordBoundary 事件。Amazon Polly 的 speech marks 标出词和句子的起止位置。Cartesia 的 API 文档中有 add_timestamps 参数。

什么是词级时间戳说明了该向厂商问清哪些事。如果视频已经有另一种语言的人声,那就是配音译制,AI 视频配音指南带您走一遍流程。

语音智能体或电话线路该选哪家?#

语音智能体在语言模型还没写完回复时就开始说话。Paxa 的实时 WebSocket 按到达顺序接收文本片段,来电者插话时,一个 cancel 帧就能停下正在说的回复。用于电话线路时,Paxa TTS Flash v2 可直接返回 8 kHz 的 G.711 μ-law 和 A-law,也可返回 8 至 48 kHz 的 PCM 和 WAV。

MiniMax 的 Speech-02 发布说明介绍了实时流式合成,以及面向实时场景的 Turbo 版本。Cartesia 的 API 有 websocket 端点,ElevenLabs 的 API 参考也提供 websocket 接入。Fish Audio 的流式指南介绍了一种 WebSocket,它先缓冲文本,等上下文足够再合成。Murf 把 Falcon 2 定位为面向实时语音智能体的流式模型,音色库中有 4 个普通话音色,并支持 8000 Hz 的 ALAW 和 ULAW 输出。

语音智能体的文本转语音选型指南对实时连接做了更细的比较。实时语音页面和语音智能体页面介绍了 Paxa 这一侧的做法。

中文夹英语或泰语的文本该选哪家?#

产品名、型号和地址,常常让中文句子里出现英语。Paxa TTS Flash v2 的每个音色都能朗读中文、英语和泰语,一种语言的短语夹在另一种语言的句子里,也在同一个请求中完成。同时服务中国和泰国客户的商家,可以用同一个音色说两种语言,泰语和中文页面展示了这种搭配。

ElevenLabs 的模型页面称 Eleven v4 在切换语言时保持音质一致。Microsoft 的音色表介绍了能自动识别输入语言的多语言音色。MiniMax 的 API 则把语言作为请求中的一个取值来设置。

粤语和台湾华语是另外的需求。Paxa TTS Flash v2 说普通话,没有粤语音色。MiniMax 把粤语设为单独的语言取值,Narakeet 为台湾华语和粤语各列了音色,WellSaid 的 API 常见问题把粤语和普通话并列。面向香港或广东听众的产品,建议先从这三家看起。

想要品牌专属的中文音色该选哪家?#

MiniMax 的 Speech-02 发布说明介绍了声音克隆。Fish Audio 的克隆指南要求每段样本至少 10 秒,它的 S2 页面在 S2 Pro 支持的语言中点名了中文。ElevenLabs 介绍了克隆音色、音色库,以及按文字描述设计的音色。

克隆声音必须先取得说话人的书面同意,上线前也要读清各家关于克隆音色商用的条款。Paxa Labs 不提供声音克隆。新音色来自音色设计,它根据一段文字描述生成音色,不需要任何录音,设计出的音色同样能读中文、英语和泰语。音色设计与声音克隆的区别把两种做法放在一起比较。

试听中文 AI 音色时该听什么?#

语言列表只说明厂商接受中文文本。音色把您的脚本读成什么样,要亲耳听。把下面几项写进同一份测试脚本,交给每一家候选服务朗读。

  • 轻声。妈妈、东西(物品)、明白的第二个音节又轻又短,每个音节都读足声调的音色听起来生硬。
  • 多音字。行在“银行”里读 háng,在“行走”里读 xíng。重在“重要”里读 zhòng,在“重新”里读 chóng。长和还也是这样。
  • 连读变调。“你好”的第一个音节读成第二声,“一”和“不”在某些音节前会变调,例如“一个”和“不对”。
  • 数字和日期。听一听 2026 年 3 月 5 日、¥1,280.50 这样的金额、百分比,以及逐位读出的电话号码。
  • 句子里的英语。“请打开 Wi-Fi 设置”这样的句子,或用拉丁字母写的品牌名,能听出音色在两种语言之间如何衔接。

用途与厂商一览#

用途文档写明适用的厂商
说普通话的应用和网站Amazon Polly、Azure AI Speech、Botnoi Voice、Google Cloud、MiniMax、Paxa TTS Flash v2
带字幕的旁白Amazon Polly、Azure AI Speech、Cartesia、Narakeet、WellSaid Labs、Paxa TTS Flash v2
语音智能体和电话线路Cartesia、ElevenLabs、Fish Audio、MiniMax、Murf、Paxa TTS Flash v2
同一音色读中文夹其他语言Azure AI Speech、ElevenLabs、Paxa TTS Flash v2
粤语MiniMax、Narakeet、WellSaid Labs
克隆音色ElevenLabs、Fish Audio、MiniMax

接下来试什么?#

常见问题#

中文文本转语音哪个最好?#

适合您用途的那一个。先在上文找到您的用途,再用自己的脚本测试其中列出的两三家,并在听众实际使用的设备上听。

普通话文本转语音和中文文本转语音是一回事吗?#

大多数情况下是。厂商写“中文”时通常指普通话,代码是 zh-CN 或 cmn-CN。粤语和台湾华语在提供它们的厂商那里会单独列出。Paxa TTS Flash v2 朗读简体中文文本,说的是普通话。

一个 AI 音色能同时说中文、英语和泰语吗?#

可以。Paxa TTS Flash v2 的每个音色三种语言都能读,包括混排的句子。如果一家厂商的每个音色只说一种语言,品牌在每种语言里就会是不同的声音。

ElevenLabs 支持普通话吗?#

支持。它的模型页面在最新语音模型的 90 多种语言中列出了普通话。我们的 ElevenLabs 对比页面把两项服务放在一起比较。

有免费的中文文本转语音吗?#

免费文本转语音页面无需账户,就能用 9 个音色朗读一句中文。新的 Paxa 账户还自带免费积分,无需绑卡,仅限个人使用和评估。

价格在哪里看?#

在文本转语音 API 对比中,各家公布的价格与我们的并列,每月复查一次。

继续阅读

更多指南