选购泰语文本转语音的团队，心里通常只有一个具体用途。朗读余额的银行应用，和在电话线路上播放的热线菜单，需要的东西并不相同。用途决定了哪些厂商留在候选名单上，因为各家文档写明的音色、输出格式和连接方式都不一样。
下文每一条厂商信息都链接到该厂商自己的文档，内容经我们的对比页面在 2026 年 10 月核实。我们不给任何厂商打分或排名。各家公布的价格见文本转语音 API 对比，每月重新核对。
先确认支持泰语#
好几款广泛使用的语音 API 没有泰语音色。Amazon Polly 的语言表里没有泰语代码。Deepgram 的 Aura 音色覆盖七种语言，其中没有泰语。SpeechifyAI 为 simba-3.0 列出六种语言，simba-3.2 只支持英语，两份列表里都没有泰语。
另一些厂商把泰语列在几十种语言之中。ElevenLabs 最新的语音模型支持 90 多种语言，泰语在其中；Cartesia 的 Sonic 3.6 支持 44 种，MiniMax 的语言设置有 40 个取值，泰语也都在列。
语言列表只说明厂商接受泰语文本。音色如何读泰语句子里的英文品牌名、泰文数字，或 พ.ศ. 这样的缩写，要用您自己的脚本去听。如何评测泰语 AI 音色列出了要听哪些地方，脚本写作指南讲解泰语句子中的数字和英语单词。
用于说泰语的应用或网站#
Paxa TTS Flash v2 的每个音色都会说中文、英语和泰语，泰语句子里夹带的英语单词也能读。音色库可以试听全部 50 个音色，每个音色在服务期间都保留同一个 slug。已经基于 OpenAI SDK 编写的应用，只要更换 base URL 和密钥，就能调用兼容端点，原有的 OpenAI 模型名和音色名照常可用。
Botnoi Voice 列出 20 多种语言，其中包括泰语、英语和中文，并为每种语言链接一页具名说话人列表。iApp 的 ChindaTTS 文档说明其标准音色可以朗读泰语，或夹带英语的泰语，并把这个音色限定在泰语和英语。
云平台方面，Google 的 Gemini-TTS 将泰语（th-TH）列为正式可用。Microsoft 的音色表为 Azure AI Speech 列出三个标准 th-TH 音色，另有两个属于 Neural HD 层级，标注为公开预览。
应用会把同样的短句反复播放很多次。请用界面上实际显示的字符串来测试，例如余额、日期和产品名称。然后确认输出格式无需转换就能在您的应用里播放。
用于旁白视频、课程和字幕#
旁白对时间轴的需要不亚于对音色的需要，因为字幕必须落在对应的词上。Paxa TTS Flash v2 在同一个请求里随音频返回词级、句级或语段级时间戳。词级时间段会切分没有空格的泰语文本，字幕页面展示了它在字幕行上的效果。
Narakeet 的 API 可以随音频返回按段落边界同步的 SRT 和 VTT 字幕文件，Narakeet 还为泰语单独维护了一份音色列表。Microsoft 的 Speech SDK 会在每个说出的词、标点和句子处触发 WordBoundary 事件，并给出它在音频中的时间偏移。Cartesia 的 API 在文档中提供 add_timestamps 参数。
课程往往很长。一次 Paxa TTS Flash v2 请求最多朗读 5,000 个字符，一个章节要拆成多个请求发送，再把音频拼接起来。Narakeet 通过轮询式 API 接收超过 1 KB 的脚本。
有些团队在网页工作台里手动制作片段，完全不调用 API。Botnoi Voice 在 API 之外提供网页工作台，UVoice AI 也在自己的 API 之外提供片段制作工作台。内容创作者页面和短视频配音指南介绍频道自己的工作流程。
用于电话线路和 IVR 菜单#
电话系统以 8 kHz 的 μ-law 或 A-law 传输音频。ElevenLabs 的语音生成接口文档在输出格式中列出 ulaw_8000 和 alaw_8000，并注明 μ-law 常用于 Twilio 的音频输入。Murf 列出 ALAW 和 ULAW 输出，采样率中包括 8000 Hz，它的音色库里有泰语分区。
Paxa TTS Flash v2 可返回 MP3、Opus、WAV 或原始 PCM，PCM 和 WAV 可通过 sample_rate 字段设为 8 到 48 kHz。针对电话线路，它直接返回 8 kHz 的 G.711 μ-law 和 A-law。音频无需重采样即可接入电话系统。
用于实时语音智能体#
语音智能体在 LLM 还在生成回复时就开始朗读，来电者插话时则停下。Paxa 的实时 WebSocket 随到随收文本片段，并在自然的断句处合成语音。发送一个 cancel 帧即可停止正在朗读的回复，连接仍保持打开。
Botnoi Voice 的 API 参考记载了一个实时 websocket，以 base64 分块返回音频。Cartesia 的 API 提供用于实时合成的 websocket 端点。Fish Audio 的流式传输指南介绍了一种 WebSocket：它会缓存文本，直到上下文足够，并提供强制生成的 flush 事件。它的 S2 Pro 页面把泰语列为新增语言之一。
用于您自己的专属音色#
iApp 的 ChindaTTS 用一段 10 到 20 秒的泰语片段克隆音色，克隆出的音色只读泰语。ElevenLabs 除了 Voice Library 和根据文字提示设计的音色，也介绍了克隆音色。Fish Audio 的克隆指南要求每段片段至少 10 秒，可以保存为音色模型，也可以随每次请求一起发送。
MiniMax 的 Speech-02 发布公告介绍了音色克隆，并把泰语列为新增语言之一。UVoice AI 在 API 之外配有一个能克隆音色的片段制作工作台。
只有在说话人书面同意后才能克隆其声音，上线前请阅读各家厂商关于克隆音色商用的条款。Paxa Labs 不提供音色克隆。它的音色库音色在服务期间保留各自的 slug，新音色来自音色设计，根据文字描述生成，无需任何录音。
泰语搭配英语和中文#
Paxa TTS Flash v2 的每个音色都用读泰语时的同一副嗓音读英语和简体中文。Paxa TTS Flash 另有 4 个伊森泰语、泰北泰语和泰南泰语音色，适合面向单一地区的推广活动。
MiniMax 的 API 把泰语、英语、中文和粤语设为各自独立的语言取值。Narakeet 为泰语、普通话、台湾华语和粤语分别维护音色列表。Gemini-TTS 将泰语列为正式可用，普通话（cmn-CN）处于 Preview 阶段。
用途与厂商一览#
| 用途 | 文档写明适用的厂商 |
|---|---|
| 泰语应用和网站 | Azure AI Speech, Botnoi Voice, Google Gemini-TTS, iApp, Paxa TTS Flash v2 |
| 带字幕的旁白 | Azure AI Speech, Cartesia, Narakeet, Paxa TTS Flash v2 |
| 电话线路和 IVR | ElevenLabs, Murf |
| 实时语音智能体 | Botnoi Voice, Cartesia, Fish Audio, Paxa TTS Flash v2 |
| 克隆音色 | ElevenLabs, Fish Audio, iApp, MiniMax, UVoice AI |
| 泰语搭配英语和中文 | Google Gemini-TTS, MiniMax, Narakeet, Paxa TTS Flash v2 |
用您自己的脚本测试#
- 写一份脚本，放进您的产品真正会说的内容，例如英文品牌名、以泰铢计的金额、日期和电话号码。
- 把它交给您的用途下列出的两三家厂商，使用同一性别的音色。
- 在用户会听到的设备上听，应用用手机扬声器，热线用电话听筒。
- 对照您的播放器或电话系统，检查输出格式、请求大小上限和连接方式。
- 在文本转语音页面无需账号即可试听 9 个 Paxa TTS Flash v2 音色。
常见问题#
泰语文本转语音该选哪家？#
选适合您用途的那一家。先在上文找到您的用途，再用您自己的脚本，在用户实际收听的设备上，测试那里列出的两三家厂商。
Paxa Labs 能克隆音色吗？#
不能。音色库音色的 slug 固定不变，音色设计根据文字描述生成新音色，无需录音。iApp、ElevenLabs、Fish Audio、MiniMax 和 UVoice AI 的文档介绍了音色克隆。
一个产品可以同时使用多家文本转语音厂商吗？#
可以。每个请求都是独立的。一个应用可以把屏幕朗读交给一家厂商，把电话提示音交给另一家，只要两个音色都符合品牌形象即可。
价格在哪里看？#
在文本转语音 API 对比页面，那里把每家厂商公布的价格和我们的价格并列，每月重新核对。
你们会公布质量或延迟对比吗？#
不会。我们不公布任何准确率、质量或延迟数字，无论是我们的模型还是其他厂商的。选择之前，请用您自己的文本逐一试听每个候选厂商。