过去几年，TTS（文本转语音）从"能读出来就行"变成了"读得像不像人"。真正的分水岭不在音质本身，而在三件事：音色够不够用、自然度能不能扛住长时间收听、以及价格模式跟你的用量曲线合不合。这篇横评不谈跑分，只聊公开可查的定位差异和选型逻辑。
一、这些工具分别是什么定位
市面上主流的 TTS 大致能分成四类，选型前先想清楚自己在哪一类。
云端通用 API 派：OpenAI 的语音接口、微软 Azure AI Speech、Google Cloud Text-to-Speech、亚马逊 Polly。特点是接入简单、按用量计费、语言覆盖广、稳定性由大厂兜底。适合把语音当成一个功能模块塞进产品里的团队。
音色与克隆专精派：ElevenLabs 是这一类最常被提到的名字，同类还有 PlayHT、Resemble 等。它们把力气花在"像真人"和"复制某个人的声音"上，订阅制为主，适合内容创作者和小团队。
中文优化派：阿里云、火山引擎、腾讯云、科大讯飞等。优势不在英语，而在中文的坑：多音字、儿化音、数字与单位读法、中英混读、语气词。做有声书、课程、客服播报，这类往往是第一选择。
开源自托管派：ChatTTS、CosyVoice、GPT-SoVITS、Fish Speech、Piper 等。没有按字计费，但你要自己出算力、自己做运维，音质和稳定性取决于你怎么调。
二、公开信息对比
| 工具 | 定位 | 价格模式 | 核心参数（定性） | 适合谁 |
|---|---|---|---|---|
| OpenAI 语音接口 | 通用 API，接入极简 | 按字符/用量计费 | 音色数量中等，英语自然度高，多语言可用，支持流式 | 已在用其生态、想快速上线的开发者 |
| Azure AI Speech | 企业级语音平台 | 按用量计费，分级套餐 | 音色与语言覆盖广，SSML 控制细（语速、停顿、发音），可定制音色 | 需要精细控制与合规背书的企业 |
| Google Cloud TTS | 云基础设施的一部分 | 按字符计费 | 高保真音色系列自然度较好，语言覆盖广，与云服务打通 | 已深度使用 GCP 的团队 |
| Amazon Polly | AWS 生态内语音 | 按字符计费，分级 | 神经音色为主，稳定性好，新音色迭代偏稳 | AWS 用户、语音播报类场景 |
| ElevenLabs | 音色与克隆专精 | 订阅制，含配额 | 音色表现力强，克隆效果突出，情绪控制细 | 播客、有声内容、角色配音 |
| 国内云厂商语音 | 中文场景优化 | 按用量或套餐 | 中文韵律、多音字处理好，中文音色丰富，支持方言与情感 | 有声书、客服、课程、短视频 |
| 开源模型（ChatTTS/CosyVoice/GPT-SoVITS 等） | 自托管 | 无授权费，付算力 | 可本地部署、可微调，效果强依赖硬件与调参 | 有 GPU、重数据隐私、想深度定制 |
三、各自的优劣势与适用场景
音色这件事，数量不等于够用。 一个产品给你几十个音色，但全是同一种"播音腔"，做角色对话就废了。反过来，某些专精工具音色不多，但每一个都能演出情绪。判断方法很土但有效：拿你真实的脚本去试，尤其是带问号、感叹号、括号停顿的句子。
自然度要分语种看。 英语上，专精派和通用大厂的表现普遍被认可；中文上，国内厂商在数字读法（"2024年"读"二零二四年"还是"两千零二十四年"）、多音字（"重"、"行"、"了"）上通常更省心。如果你的内容是中英混排，比如技术课程里夹英文术语，务必专门测这一段——这是最容易露馅的地方。
长文本和实时对话是两个物种。 有声书、播客是有声书场景，容忍几百毫秒延迟，但要求整段韵律稳定、不跳音、不重复。实时语音助手场景相反，延迟是第一指标，需要流式输出，音色略平也能接受。同一家厂商的不同接口在这两点上差异很大，别拿一个接口的体验推断全部。
价格模式决定你的成本曲线。 按字符计费对低频试验友好，量一大就线性上涨；订阅制适合用量稳定的创作者，超出配额后再加钱；自托管看着免费，实际成本在 GPU 和人力上，只有当你要处理敏感数据、或要批量生成海量内容时，这笔账才算得过来。克隆音色还牵涉授权问题：用谁的声音、有没有书面许可、是否用于商业分发，这些是法律问题，不是技术问题。
合规与数据流向别忽略。 涉及客户信息、医疗、金融内容的语音合成，很多团队要求不出内网，这时候云端 API 再便宜也用不了，只能走私有化部署或开源方案。
四、结论：什么人选什么
- 想最快跑通一个功能：优先用你已经在用的云生态里的 TTS，省去账号、计费和鉴权的心智负担。
- 做中文长内容、有声书、课程：从国内云厂商的语音服务试起，用你最刁钻的稿子对比多音字和数字读法。
- 做角色配音、播客、追求"像人"：专精派工具更值得花时间，接受它的订阅成本。
- 做实时语音交互：只看流式延迟和打断能力，音色排第二位。
- 数据不能出内网、或要长期大批量生成：算一笔三年期的算力账，再决定自托管还是买云服务。
最后提醒一句：参数与价格以官网为准，各家迭代很快，本篇只做定性对比。建议挑两三家，用同一段真实稿子（含数字、英文、标点停顿）各试听一遍，再决策。
*本文框架由 AI 生成，实际体验因人而异，欢迎读者补充实测。*