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 |
| MiniMax | 40 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 Audio | S2 Pro 的 80 多种语言中点名了中文 | 声音克隆和流式 WebSocket |
| Cartesia | 44 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 Speech | Standard、Multilingual 和 HD 三个档位都有 zh-CN 音色 | 每个词触发一次 WordBoundary 事件 |
| Google Cloud | Gemini-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 |
| Murf | Mandarin (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。
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。