用代码生成宣传片（六）：TTS 选型指南——31 款引擎与服务全对比

系列第二篇用 edge-tts 出了配音，第五篇梳理了 TTS 技术发展史。本篇是收官篇——当你的项目不满足于 edge-tts 时，市面上 31 款 TTS 引擎和服务该怎么选？

我们把选型路径分成三层：免费开源引擎（本地运行、零授权费但有 GPU 部署成本）、免费云服务（开箱即用但有额度/限流约束）、付费服务（开箱即用 + SLA + 高级能力）。这并非严格的层级递进——开源引擎搭配自建 GPU 可能比付费云服务长期更便宜，而付费云服务的开箱便利性又是自部署无法比拟的。选择取决于你的预算、人力、时间三者的权衡。

免费 TTS 服务全面对比

开源 TTS 引擎一览

以下 12 款引擎均可本地部署，无需向任何第三方付费。它们用 GPU 算力换取无限调用的自由——如果你的项目有 GPU 环境（哪怕一张 RTX 3060 也能跑不少模型），开源引擎可能是长期成本最优解。

表格中「商用」列指模型协议是否允许商业使用。注意协议许可可能涉及模型权重和代码两部分，不一定一致（如 F5-TTS 代码 MIT 但权重 CC-BY-NC）。如果项目涉及商用，务必核实协议的最终条款。

重点引擎详解

CosyVoice（阿里巴巴） — 当前最推荐的本地部署中文 TTS。Apache-2.0 协议完全可商用，支持中文、英文、日文、韩文和粤/川/沪/津/武汉五种方言。零样本克隆仅需 3 秒参考音频，首包延迟低至 150ms，并提供 WebUI、FastAPI、gRPC、Docker、vLLM 等完整服务化路线。支持 14 种细粒度控制标签（[laughter]、[breath] 等），GitHub 获 22k+ stars，社区活跃。

F5-TTS（上海交通大学） — 研究级克隆质量。Flow Matching + DiT 架构，非自回归生成，RTF 约 0.15，完全消除音素对齐需求。代码 MIT 协议，模型权重因 Emilia 训练集为 CC-BY-NC（不可商用）。GitHub 14.5k+ stars，质量在开源社区评价很高。

ChatTTS — 对话场景专用。约十万小时中英文数据训练，专为对话场景优化，支持笑声、停顿等细粒度韵律控制。VRAM 最低约 4GB，RTF 0.3（RTX 4090）。GitHub 39.3k+ stars，注意 AGPL 协议不可商用。

Coqui XTTSv2 — 语言覆盖最广（17 种），零样本克隆仅需约 6 秒参考音频，24kHz 采样率。注意 Coqui 公司已于 2024 年 1 月关闭，由社区继续维护（GitHub 约 45k stars）。

Piper — 边缘设备首选。VITS 架构 + ONNX 导出，CPU 优先，可在树莓派 4 上运行，VRAM < 1GB，支持数十种语言预训练语音。IoT 和嵌入式场景的不二之选。

免费云服务

以下服务提供免费额度，开箱即用无需管理 GPU，但受限于额度、限流或使用时限。

Edge TTS 无疑是免费方案中最实用的选择。安装 pip install edge-tts 即可使用，无需任何 API Key，基于微软 Neural 网络语音引擎，覆盖 100+ 语言和 400+ 语音，音质优秀。它在第二篇中作为系列配音实战的核心工具——gen_all_voices.py 脚本在 5 次重试 + 指数退避的保护下，能可靠完成数百条音频的批量生成。

但 Edge TTS 并非银弹。它是非官方 API，可能遇到 WebSocket 403 错误（微软限流机制），不适合生产级高并发。如果需要在 Web 产品中集成 TTS，或者需要更稳定的服务，请升级到 Azure Speech Service 正式 SDK（付费 + SLA 保障）。

付费 TTS 服务全面对比

当免费方案不满足时——需要声音克隆、生产级 SLA、广播级音质、中国方言覆盖——就该付费服务上场了。付费 TTS 市场按定价模式分为三类：按字符计费的云 API（国际云厂商）、按月订阅的专业语音公司、按万字符计费的中国云服务。

国际云服务提供商

按百万字符计价的主流国际云 TTS 价格一览：

标准层 $4/百万字符几乎成为行业均价，差异体现在高级层的质量选择和生态系统。

Amazon Polly 提供 30+ 语言和 90+ 声音。Generative voices 和 Long-Form voices（支持最大 20 万字符异步合成）适合长文本有声内容。支持 Speech Marks 输出唇同步时间戳，适用于口型动画场景。2025 年 7 月起新 AWS 用户可获得最高 $200 免费额度。

Azure Speech 语言覆盖最广——140+ 语言/方言、500+ 声音。Custom Neural Voice 可训练定制品牌专属声音（需最少 300 句录音）。情感 SSML 扩展、Viseme 输出（面部动画同步）和 Audio Content Creation Studio（浏览器可视化调优工具）是企业级需求的扎实底座。

Google Cloud TTS 模型选择最为丰富：Neural2、Chirp 3 HD、Journey、Studio Voice 等。免费额度按月重置而非限时一年，小流量项目可长期免费使用标准层。

OpenAI TTS 以极简 API 设计著称，与 GPT-4o、Whisper、Assistants API 无缝集成。gpt-4o-mini-tts 支持自然语言指令控制语音风格，Realtime API 支持端到端亚秒级语音对话。价格为 $15/百万字符起，约为 ElevenLabs 的 1/10，但声音数量（6+）和音色选择有限。

专业 AI 语音公司

按月订阅制，面向内容创作者和需要声音克隆的专业用户：

ElevenLabs 是公认的语音质量领导者，MOS 约 4.3 达到广播级水准。70+ 语言、11,000+ 声音库，Flash v2.5 延迟约 75ms。声音克隆是它的王牌——Starter 以上层级支持即时克隆（30 秒音频），Creator 以上支持专业克隆（30 分钟训练音频）。Dubbing Studio 支持 70+ 语言的配音 + 唇同步，ElevenAgents 提供 STT+LLM+TTS+电话一体化服务。还支持 Sound Effects 和 Music 生成。

Play.ht 拥有最丰富的声音库（800+），免费版即含 1 个声音克隆。实时低延迟 API（限速 10 req/sec），适合需要在各种声音间切换的内容创作场景。

Murf.ai 定位内容创作一体化，200+ 声音，与 Canva、Google Slides 深度集成。内建时间轴编辑器、视频同步和 Studio Sound 音质增强，不需切出到其他工具。

WellSaid Labs 强调伦理 AI 使用和法律合规，声音许可合规体系完善，适合受监管行业。Custom Lexicons 支持领域术语定制发音。

Descript Overdub 独树一帜——将 TTS 嵌入基于文本的音视频编辑器。Pro 版支持无限词汇 Overdub，Studio Sound、AI Green Screen 等特色功能使「像编辑文本一样编辑视频」成为可能。

中国国内服务

按万字符计价的中国云 TTS 价格：

国内 TTS 市场以云厂商为主，价格竞争激烈，基础层几乎统一定价在 0.3-0.4 元/万字符。差异体现在大模型层、声音克隆、方言覆盖和免费额度上。

阿里云 基于 Sambert 模型和开源的 CosyVoice 大模型，侧重电商场景音色（客服音等），新用户 3 个月 100 万字符/月免费。如果你用阿里云 ECS 部署，集成最方便。

腾讯云 提供四种接口形态：基础/精品/大模型/超自然大模型，梯度计价（用量越大单价越低）。超自然大模型 4.9-6.5 元/万字符，质量最高。基础音色免费额度最大（800 万字符/月），声音复刻支持一句话快速克隆。

百度智能云 支持方言（四川话、粤语）和情感语音（开心/悲伤），精品版 24k 音质。免费额度充足（1 年 200 万字符/月），是免费优先场景的不错选择。

科大讯飞 方言覆盖最全——16 种方言（含河南话、东北话等）。离线 SDK 成熟稳定，可部署到 51 单片机、ESP32 等嵌入式设备。永久免费 10 万字符/月，认证后增至 60 万。Spark TTS 大模型逐步上线。

火山引擎（字节跳动/豆包） 基于 Seed-TTS 的豆包语音合成模型 2.0，提供端到端超拟人对话的实时语音模型。声音复刻 2.0 和情绪精细化控制是特色能力，定价 5 元/万字符。适合字节生态（抖音、飞书）内集成的团队。

核心能力对比矩阵

以下矩阵覆盖 18 家主流服务商的关键能力，是你做跨厂商横评时的最便捷参考：

最新应用场景

TTS 正在从一个工具性能力演进为语音交互的底层基础设施。以下是当前最活跃的 8 个应用方向：

实时语音对话（GPT-4o Voice、豆包实时语音、Sesame CSM）是 2024-2025 年最热门的应用方向，与传统 STT+LLM+TTS 三段式管道不同，新一代系统直接在语音模态推理，实现亚秒级响应和情绪自适应。

影视配音与内容本地化（ElevenLabs Dubbing Studio）可自动翻译并配音到 70+ 语言，支持唇同步，保留原始情感和语调，大幅降低传统配音成本。

有声内容制作（有声书、播客、新闻播报）已高度自动化，支持多角色/多声音切换、情感控制和 Studio Sound 音质增强。

无障碍辅助（Speechify、Apple VoiceOver）为视障人士朗读屏幕内容，多平台支持，自然度提升显著改善体验。

智能客服与 IVR 深度融合情感识别与情感化回应，Custom Neural Voice 定制品牌专属声音，Viseme 输出支持虚拟人面部动画。

游戏与虚拟人 通过动态语音生成和 Viseme 面部同步驱动 NPC 和数字人。

教育与语言学习 朗读课文、发音示范、个性化语音导师，支持口语评测。

嵌入式与 IoT（科大讯飞离线 SDK、Piper）在智能音箱、车载系统、树莓派上离线运行 TTS，保障隐私和低功耗。

选型建议

决策树

先把需求二分：个人/原型开发优先选免费方案降低启动成本，生产/商用环境选付费服务换取 SLA 和高级能力。

flowchart TD
    A["TTS 选型"]:::start
    A --> B["免费使用"]:::process
    A --> C["付费生产"]:::special
    B --> D["Edge TTS<br/>零成本快速"]:::output
    B --> E["CosyVoice<br/>本地部署可商用"]:::output
    C --> F["ElevenLabs<br/>SLA 保障"]:::output

    classDef start fill:#FF9800,color:#fff
    classDef process fill:#2196F3,color:#fff
    classDef special fill:#9C27B0,color:#fff
    classDef output fill:#4CAF50,color:#fff

决策树说明： 起点是「TTS 选型」，第一条分支看预算。免费路径有两个出口：Edge TTS 零成本快速上手（适合原型验证和个人项目），或 CosyVoice 等开源引擎本地部署（适合需要声音克隆或 Apache-2.0 商用授权）。付费路径首推 ElevenLabs（广播级音质）或各云服务商（SLA 保障、安全合规）。两条路径并非互斥——典型的演进路线是：原型阶段用 Edge TTS 快速验证配音效果，上线前切换到 CosyVoice 自部署或 ElevenLabs 付费服务。

按使用场景选型

按技术需求选型

定价模式参考

付费 TTS 的定价模式直接影响选型决策。按字符计费（AWS Polly、Azure、Google Cloud、OpenAI、中国云）适合用量不确定的按需场景，无固定成本但随时可伸缩。订阅制按月（ElevenLabs、Play.ht、Murf.ai、WellSaid）适合稳定用量的内容创作团队——每月产出固定时长的配音内容，订阅费封顶不会因月间波动产生意外支出。按分钟计费（ElevenLabs ElevenAgents 的 $0.08/分钟）用于实时对话/电话场景，计费粒度与使用维度匹配。分层订阅（IBM Watson Lite/Plus/Premium）以阶梯功能划分适用不同规模企业。此外还有科大讯飞的永久免费额度（10 万字符/月），是小规模长期使用的良心选择——不经任何付费行为即可一直使用，但受限于功能和服务级别。

⚠️ 价格与具体数字为报告时点（2026-07），实际以各官网为准。

本系列：① 总览与 Remotion ② edge-tts 配音 ③ numpy BGM ④ ffmpeg 合成 ⑤ TTS 技术全景 ⑥ TTS 选型指南