Paxa Labs
登录
全部对比

适合每项工作的最佳文本转语音 API

哪款文本转语音 API 适合中文或泰语语音、实时语音智能体、基于 OpenAI SDK 的代码、声音克隆、电话线路或旁白，依据均来自各服务商自己的文档。

选购文本转语音 API 的团队，手上通常只有一项具体工作：让应用说中文或泰语、把 LLM 的回答读出来、接听电话，或为脚本配旁白。这项工作需要哪些语言，决定了哪些服务商能留在名单上。之后要看的是文本以什么方式到达、另一端需要什么音频格式、音色是否必须是您自己的声音，以及您已经在用什么代码。

价格与说明最近核实于 2026年10月

免费开始查看完整价格

哪个 API 适合哪项工作

哪个 API 适合哪项工作
工作适合的选择
让应用或服务说泰语
  • Paxa LabsPaxa TTS Flash v2 的每个音色都能说泰语，包括泰语句子里夹带的英语词，Paxa TTS Flash 另有 4 个音色说伊森、泰北或泰南口音。
  • Botnoi Voice其网站列出的 20 多种语言中包括泰语，并链接了泰语发音人页面，在 API 之外还提供网页版工作室。
  • iApp其 ChindaTTS 文档说明，标准音色可以朗读泰语，以及夹带英语的泰语。
让产品说普通话
  • Paxa LabsPaxa TTS Flash v2 的每个音色都能把简体中文文本读成普通话，与说英语和泰语时是同一个声音。
  • Gemini Flash TTS其音色列表在 Chirp 3 HD、WaveNet 和 Standard 类型下都有普通话（cmn-CN）音色，Gemini-TTS 也把 cmn-CN 列为 Preview。
  • MiniMax其 Speech-02 发布文章提到普通话和粤语，其 API 参考也把中文和粤语设为不同的语言值。
通过 WebSocket 驱动实时语音智能体
  • Paxa Labs实时 WebSocket 在 LLM 仍在生成时逐段接收文本，用户插话时，发送 cancel 帧即可停下当前回复。
  • Deepgram Aura其 WebSocket 把 Speak 消息里的文本排入队列，每次收到 Flush 后返回音频。
  • Murf AI其 API 概览将 Falcon 2 列为面向对话式 AI 和实时语音智能体的流式模型。
沿用为 OpenAI SDK 编写的代码
  • Paxa Labs我们的 POST /v1/audio/speech 接受 OpenAI 的请求格式和名称：在 SDK 中更换 base URL 和密钥后，原有的模型名和音色名照常可用。
  • OpenAISDK 的 audio.speech.create 本就调用其 POST /v1/audio/speech，其弃用页面列明，tts-1、tts-1-hd 和 gpt-4o-mini-tts 的两个快照将于 2027 年 1 月 6 日移除。
用录音克隆声音
  • ElevenLabs其音色文档介绍了克隆音色，以及来自 Voice Library 的音色和根据文本提示词设计的音色。
  • iAppChindaTTS 可以用一段 10 到 20 秒的泰语录音克隆声音，其文档说明克隆音色只说泰语。
  • Fish Audio其声音克隆指南要求每段录音至少 10 秒，可保存为音色模型，也可作为即时克隆，在每次请求时附带参考音频。
通过电话线路播放语音
  • Paxa LabsPaxa TTS Flash v2 直接输出 8 kHz、无文件头的 mu-law 或 A-law 音频，HTTP 和实时 WebSocket 都支持。
  • ElevenLabs其创建语音的 API 参考列出 ulaw_8000 和 alaw_8000 两种输出格式，并说明 μ-law 常用于 Twilio 的音频输入。
  • Deepgram Aura其输出设置在 REST 请求和流式 WebSocket 中都列出 mulaw、alaw 和 linear16。
  • Murf AI其输出格式包括 ALAW 和 ULAW，列出的采样率中有 8000 Hz。
带同步字幕的旁白
  • Paxa Labs按词、句或语段的时间区间与音频在同一个请求中返回，词级区间还会自行切分不带空格的泰语文本。
  • Amazon Polly其 Long-Form 引擎可返回 speech marks，标出每个句子和每个词在音频中的起止位置。
  • Narakeet其 API 通过轮询调用处理较长的脚本，并可随音频返回按段落边界同步的 SRT 和 VTT 字幕文件。

来源：Botnoi Voice（在新标签页中打开）iApp ChindaTTS（在新标签页中打开）Cloud TTS voices（在新标签页中打开）Gemini-TTS languages（在新标签页中打开）MiniMax Speech-02（在新标签页中打开）MiniMax T2A API（在新标签页中打开）Deepgram streaming text to speech（在新标签页中打开）Murf API overview（在新标签页中打开）OpenAI speech API reference（在新标签页中打开）OpenAI deprecations（在新标签页中打开）OpenAI gpt-realtime-2.1-mini（在新标签页中打开）ElevenLabs voices（在新标签页中打开）Fish Audio voice cloning（在新标签页中打开）ElevenLabs create speech reference（在新标签页中打开）Deepgram media output settings（在新标签页中打开）Murf text to speech overview（在新标签页中打开）Amazon Polly speech marks（在新标签页中打开）Amazon Polly SynthesizeSpeech（在新标签页中打开）Amazon Polly pricing（在新标签页中打开）Narakeet TTS API（在新标签页中打开）

本指南的编写方法

这里的服务商都是我们发布过对比页面的，只有当我们自己的文档写明适合某项工作时，我们才把自己列在其下。每条理由都转述该服务商自己文档中的说法，并在旁边附上链接。价格为公开标价，每月复核一次。我们不给任何服务商打分，也不做排名。

公开标价

公开标价
服务商每百万字符对方价格的倍数
Paxa LabsPaxa TTS Flash v2$101×
Amazon Polly$4-160.4-1.6×
Speechify$6-100.6-1×
Murf AI$10-301-3×
OpenAI$15-301.5-3×
Deepgram Aura$15-301.5-3×
Azure AI Speech$28-422.8-4.2×
ElevenLabs$40-804-8×
Fish Audio$45-504.5-5×
Cartesia$505×
iApp$68-956.8-9.5×
Gemini Flash TTS$105-11711-12×
MiniMax$113-18911-19×
UVoice AI$134-24013-24×
Narakeet$195-77819-78×
Botnoi Voice$380-73438-73×

所有价格均按每百万字符的中文文本计，字符以 UTF-16 码元计数，与我们的计价方式相同；按分钟、按 token、按字节或按汉字计费的价格均已换算为这一单位。

常见问题

哪款文本转语音 API 最好？

取决于具体工作。请先在上面找到与您需求相符的工作，再用您自己的文本和实际流量，测试列在其下的两三款 API。

为什么有些工作下没有 Paxa Labs？

只有当我们自己的文档写明适合时，我们才会把自己列入。我们不提供声音克隆。

一款产品可以同时使用其中几个 API 吗？

可以。每个请求彼此独立，一款产品可以把中文语音交给一个 API，把电话线路的音频交给另一个。

是否发布质量或延迟对比？

不发布。我们不公开准确率、质量或延迟数据，无论针对我们的模型还是其他任何模型。请用您自己的文本和语言，把每个候选都听一遍再做决定。

从免费积分开始

使用 Google、GitHub 或 Hugging Face 登录，即可用 100 一次性免费积分处理您自己的文本。

免费开始