语音

TTS 关键指标 TTS（Text-to-Speech）选型不是只听"好不好听"，而是五个维度的综合权衡： 指标 含义 实际影响 自然度 (MOS) Mean Opinion Score，1-5 分 用户能否区分 AI 和真人 延迟 (TTFB) 首音频延迟 实时对话 < 300ms，有声书 < 2s 成本 每千字符/每万字符价格 规模化是否跑得起 多语言 支持语言数量和质量 全球化场景刚需 可控性 SSML/情感/语速/音高 精细控制能力 2026 年 TTS 领域的最大变化：开源模型（CosyVoice、ChatTTS）的质量已经逼近商业方案，声音克隆从"能听"变成了"听不出"。 主流平台对比 平台 自然度 (MOS) TTFB 成本 多语言 声音克隆 SSML ElevenLabs V3 4.7 400ms $0.30/千字符 29种 ★★★★★ 有限 Azure TTS 4.3 150ms $0.016/千字符 140+ ★★★☆ ★★★★★ OpenAI TTS-1 HD 4.5 500ms $0.015/千字符 50+ ❌ ❌ Edge-TTS 4.0 200ms 免费 40+ ❌ 部分 CosyVoice 2 4.5 250ms 免费(自部署) 5种 ★★★★☆ 有限 ChatTTS 4.2 300ms 免费(自部署) 2种 ❌ ❌ 火山引擎 TTS 4.4 180ms ¥0.01/千字符 20+ ★★★★ ★★★★ 各平台深度分析 ElevenLabs V3 2026 年 TTS 领域的标杆。V3 版本在自然度上几乎到了 4.7/5 的天花板。 ...