# AI 配音工具怎么选：2026 年文字转语音、语音转文字、声音克隆和实时语音对比 > 想免费把文字读出来，可以先用 ElevenLabs 的免费套餐，或者 Google 免费 API 层级里的 Gemini 文字转语音。想私密地把录音转成文字，就在自己的电脑上运行 Whisper。想克隆声音，要先过同意这一关：ElevenLabs 的专业克隆只接受你本人的声音。下文的价格和套餐以 2026 年 11 月 6 日各家页面为准。 Mindket 编辑部 · 发布于 2026-11-05 · 更新于 2026-11-06 · https://mindket.com/cn/learn/ai-tools/best-ai-voice-generator ## 要点 - 先说清是哪种语音活，朗读、转写、克隆和实时对话是分开卖、分开授权的。 - 想克隆谁的声音，先拿到对方录下来的同意。 - 要变现的频道，只用写明含商用许可的套餐来配音。 - 不能外传的录音，留在自己的电脑上处理。 ## 语音平台对比：免费额度、价格和限制 大多数语音活，用下面八个平台就够了。ElevenLabs、OpenAI、Google 和微软在云端卖成品的声音和文字稿。Deepgram 和 AssemblyAI 面向做应用的人，卖语音识别和文字转语音，Deepgram 的识别按分钟计，AssemblyAI 的按音频小时计。Whisper 和 Kokoro 是免费模型，装在自己电脑上跑。 先看免费那一栏，再看价格。这些平台大多能让你在付钱之前，先听听自己的稿子读出来是什么效果，或者先转写一份自己的文件。各家的计量单位不一样，有积分、token、分钟，也有字符数，所以价格要放到你自己音频的长度旁边看才有意义。 | 平台 | 用来做什么 | 免费套餐 | 最低付费套餐（按官网写法） | 容易卡住的限制 | 能否商用 | API | 能否在自己电脑上运行 | | --- | --- | --- | --- | --- | --- | --- | --- | | ElevenLabs | 朗读文字、声音克隆、语音转文字（Scribe）、变声和语音智能体 | 每月 1 万积分，约十分钟文字转语音 | Starter：每月 $6，首月 $1，30,000 积分 | Starter 每月约 30 分钟语音。专业克隆从 Creator 套餐起 | Starter 及以上含商用许可，免费套餐没有列出 | 有 | 不能 | | OpenAI API | 在自己的应用里做文字转语音、转写和实时语音智能体 | 定价页没有列出免费额度 | 按量付费：gpt-transcribe 每分钟 $0.0045，GPT-Live-1 每分钟 $0.05，gpt-4o-mini-tts 每 100 万音频 token $12 | 转写文件最大 25 MB。tts-1、tts-1-hd 和 gpt-4o-mini-tts 将于 2027 年 1 月 6 日停用。声音针对英语优化 | 使用政策要求告诉听众这是 AI 生成的声音 | 有 | 不能 | | Google Gemini API | 一人或两人的文字转语音，声音复刻（即克隆，仅限付费层级），以及通过 Live API 的实时语音 | 免费层级里 Gemini 3.8 Flash TTS 和 Gemini 3.8 Live 都不收费 | 付费层级：Gemini 3.8 Flash TTS 输出每 100 万音频 token $9.00（到 2026 年 12 月 31 日），2027 年 1 月 1 日起 $18.00 | 每次请求最多两个说话人。免费层级的输入和输出可能被人工审阅 | API 条款写明 Google 不会主张对输出内容的所有权 | 有 | 不能 | | 微软 Azure 语音服务 | 在企业应用里做语音转文字、神经网络文字转语音和个人声音 | 免费层（F0）：每月 5 小时语音转文字，50 万字符神经网络文字转语音 | 官网页面未写明 | 个人声音和专业声音都要先经微软批准 | 官网页面未写明 | 有 | 不能 | | Deepgram | 面向开发者的语音转文字、文字转语音和语音智能体 | $200 额度，不用绑卡，不会过期 | 按量付费：Nova-3 录音每分钟 $0.0043，实时每分钟 $0.0077，Aura-2 每 1,000 字符 $0.030 | 按量付费时最多同时 150 路实时语音转文字 | 官网页面未写明 | 有 | 不能 | | AssemblyAI | 录音和实时音频的语音转文字，以及面向语音智能体的文字转语音（AssemblyAI-TTS-1） | $50 额度，不用绑卡 | 按量付费：Universal-3.5 Pro 每小时音频 $0.21，实时流每小时 $0.15 起，AssemblyAI-TTS-1 每 100 万字符 $15 | 免费层每分钟最多新开 5 路实时流。它的 Voice Agent API 正在下线 | 官网页面未写明 | 有 | 不能 | | Whisper（OpenAI 开源） | 在自己电脑上做语音转文字 | 免费：代码和权重都用 MIT 许可证 | 无 | turbo 模型约需 6 GB 显存。不同语言的准确度差别很大 | MIT 许可证 | Python 库 | 能 | | Kokoro-82M（开放权重） | 在自己电脑上朗读文字 | 免费：Apache 2.0 权重 | 无 | 8 种语言、54 个预设声音。页面没有介绍克隆功能，并说非英语的支持可能偏弱 | Apache 2.0，页面说可以用于生产环境 | Python 库 | 能 | > 我们查阅时，Google Cloud 语音转文字的定价页没有显示任何数字，所以 Google 在这里以 Gemini API 的身份出现。 ## 按你要做的事来挑 **文字转语音**是把你写的字读出来。**语音转文字**是把别人说的话记下来。**声音克隆**是照着某个真人的声音做一个副本，**语音转语音**则是把一段现成录音里的声音换掉。**实时语音**是和应用直接对话，不用等生成文件。 先认清手上是哪种活，再找对应的那一行。 - **免费试读一份稿子：**ElevenLabs 免费套餐，或者 Google 免费层级里的 Gemini Flash TTS。Google 建议先在 AI Studio 里试听这些声音再动手开发，这一步不用写代码。 - **给要变现的频道配音：**ElevenLabs Starter 或更高的套餐，这是第一档含商用许可的套餐。用 OpenAI 的声音时，还要告诉听众这是 AI 生成的。 - **会议或采访的文字稿：**在自己电脑上跑 Whisper，按分钟算不花一分钱。用云端的话，gpt-transcribe、Deepgram Nova-3 和 AssemblyAI 按分钟或按小时收费，后两家注册就送额度。 - **克隆你自己的声音：**ElevenLabs，即时克隆从 Starter 起，专业克隆从 Creator 起；也可以用付费层级的 Gemini API。 - **换掉一段录音里的声音：**ElevenLabs 的 Voice Changer，每段最长 5 分钟，多语言模型支持 29 种语言。 - **在应用里做实时语音智能体：**OpenAI 的指南建议新的对话类应用用 GPT-Live，它能边说边听。Gemini Live 在 Google 免费层级里不收费。Deepgram 则按分钟卖 Voice Agent API。 - **私密音频，或者没有网络：**转写用 Whisper，朗读用 Kokoro，都在自己电脑上跑。再用 Ollama 跑一个本地文本模型来写稿，交给 Kokoro 去读。 - **中文语音或中文文字：**Gemini 的文字转语音列出了简体、繁体两种中文，还有粤语。Kokoro 有 8 个普通话声音。转写方面，OpenAI 的 gpt-transcribe 接受分地区的中文语言代码。 - **给自己的应用接 API：**表里每个云平台都有。OpenAI 的 API，我们的 OpenAI API 入门课会从申请密钥开始带你接通。 - **想听文档的语音摘要，而不是配音：**这正是 [NotebookLM](https://mindket.com/cn/learn/ai-assistants/notebooklm-tutorial) 的音频概览根据你的文件做出来的东西。 **各语音模型列出的语言数量** 取自各模型自己的页面，2026 年 11 月 6 日查阅。“超过 130 种”和“90 多种”分别按 130 和 90 画出。 - Gemini 3.8 Flash TTS（文字转语音）: 130+ - Whisper，即 OpenAI API 里的 whisper-1（语音转文字）: 98 - Azure 个人声音（克隆声音）: 91 - ElevenLabs Eleven v4（文字转语音）: 90+ - ElevenLabs Flash v2.5（文字转语音）: 32 - ElevenLabs Voice Changer 多语言版（语音转语音）: 29 - Kokoro-82M v1.0（文字转语音）: 8 来源：[Google: Gemini API speech generation](https://aistudio.google.com/docs/speech-generation) (2026-11-06 查阅)；[OpenAI: Speech to text guide](https://developers.openai.com/api/docs/guides/speech-to-text) (2026-11-06 查阅)；[Microsoft: What is personal voice?](https://learn.microsoft.com/en-us/azure/ai-services/speech-service/personal-voice-overview) (2026-11-06 查阅)；[ElevenLabs: Models](https://elevenlabs.io/docs/overview/models) (2026-11-06 查阅)；[ElevenLabs: Voice changer](https://elevenlabs.io/docs/overview/capabilities/voice-changer) (2026-11-06 查阅)；[Hugging Face: hexgrad/Kokoro-82M](https://huggingface.co/hexgrad/Kokoro-82M) (2026-11-06 查阅) ## 克隆声音之前，各家要你做什么 声音克隆，就是根据某个人的录音，做出一个模仿他声音的模型。下面六项服务没有一项能跳过同意这一步，其中三家只对审核通过的客户开放。 在措辞上，OpenAI 和 Google 管得最严。说话人要大声读出一句固定的话，OpenAI 还说，只要和脚本有一点出入，这次尝试就会失败。下面是两家文档里的英文原句，录制时要照读英文： ````text OpenAI：I am the owner of this voice and I consent to OpenAI using this voice to create a synthetic voice model. Google：I am the owner of this voice, and I consent to Google using this voice to create a synthetic voice model. ```` | 服务 | 需要多少音频 | 同意这一步怎么做 | 谁能用 | | --- | --- | --- | --- | | ElevenLabs 即时克隆 | 建议 1 到 2 分钟干净的音频。Eleven v4 的发布文章说，用 10 秒音频就能捕捉一个声音 | 保存之前，你要确认自己有权利、也已获得同意去克隆这个声音 | Starter 及以上套餐 | | ElevenLabs 专业克隆 | 最少 30 分钟，建议 2 到 3 小时 | 只能是你本人的声音，别人同意也不行。你要大声读出验证句来证明 | Creator 及以上套餐 | | OpenAI 自定义声音 | 10 到 60 秒的录音，包含几个完整的句子 | 同一位说话人逐字读出上面的同意声明 | 符合条件的客户，通过 OpenAI 销售团队开通 | | Google Chirp 3 即时自定义声音 | 最多 10 秒的单声道音频 | 说话人录下上面那句 Google 同意声明，不能自己改写 | 在白名单里的用户，通过 Google 销售团队开通 | | Gemini API 声音复刻 | 一段 10 到 30 秒干净、自然的说话录音，外加一段同意录音，两段都来自同一位成年说话人 | 同一位说话人大声念出 Google 的同意声明，可用 30 种语言区域之一 | 付费层级（Tier 1 及以上）的 Gemini API 项目，不需要白名单 | | 微软 Azure 个人声音 | 5 到 90 秒的语音样本 | 说话人录一段声明，承认这位 Azure 客户会创建并使用他的声音 | 经批准的客户和用途，通过申请表开通 | > 开源模型不走这些流程。Resemble AI 的开源模型 Chatterbox 用一段参考音频就能克隆声音，并在每个文件里加上它的 Perth 水印。它的页面说，这个项目已在 2026 年 8 月停止维护。用开源模型时，征得同意完全是你自己的责任。 ## 三步免费做出第一段配音 ElevenLabs 的免费套餐，让你在浏览器里不写代码，就能用几种声音听自己的稿子。下面的菜单名称都来自它的文字转语音指南。 每次生成都会扣积分，第一次试听也算。同样的文字、同样的声音和模型，两小时内、没刷新页面的话，可以免费重新生成两次。 1. **打开 Text to Speech。**在 [elevenlabs.io](https://elevenlabs.io) 注册，在侧边栏选 Text to Speech，把稿子粘贴到输入框里。用 Eleven v4 一次最多一万个字符，其他模型五千个。 2. **选声音和模型。**在左下角的 Voices 里挑一个声音，再在模型选择器里选模型。用 Eleven v4 时，在稿子里写上 [laughs] 这类标签，就能指挥它的语气。 3. **生成并下载。**点 Generate speech 听一遍，再点右下角的下载按钮。想要 WAV 或其他格式，就打开右侧面板里的历史记录（history）标签页，点下载图标。可选 128 kbps 的 MP3 或 WAV，Advanced 里还有 192 或 256 kbps 的 MP3、M4A 和 FLAC。 ## 用 Whisper 离线转写 Whisper 是 OpenAI 用 MIT 许可证发布的语音识别模型。它在你自己的电脑上运行，录音不会离开这台机器。你需要装好 Python 和命令行音频工具 ffmpeg（Windows 上用 `choco install ffmpeg` 或 `scoop install ffmpeg`，Mac 上用 `brew install ffmpeg`）。 下面这两行取自它的 README，先安装，再用 turbo 模型转写三个文件： ````bash pip install -U openai-whisper whisper audio.flac audio.mp3 audio.wav --model turbo ```` > turbo 约需 6 GB 显存，而且没有训练过翻译，想把外语录音直接转成英文，就换一个尺寸。tiny 模型约需 1 GB，速度大约是 large 的十倍。能跑哪一个，取决于你的显卡，[硬件这一课](https://mindket.com/cn/learn/local-ai/local-llm-hardware)讲得很清楚。 ## ElevenLabs 和 OpenAI 开发者团队怎样指挥一个声音 2026 年 9 月 28 日，也就是 Eleven v4 发布当天，ElevenLabs [在 X 上发帖](https://x.com/ElevenLabs/status/2104572133636731068)说，可以用行内标签来指挥它的表演。标签是写在稿子里、放在方括号中的一句简短指令。语气、情绪、节奏、反应、音效和风格都能这样设定，也可以直接描述某一句该怎么说。在第 2 步里试一下：同一句话加标签生成一次，不加再生成一次，哪一版读出了你想要的意思，就留哪一版。 OpenAI 的开发者账号更早一些，在 9 月[宣布](https://x.com/OpenAIDevs/status/2098099269551149398) GPT-Live-1 已经开放 API，用来做能边说边听的语音智能体。这一点只对实时语音有意义。录好的配音不会被人打断，打电话的人却会插话，所以试用智能体时，在它说到一半时插一句，看它会不会停下来听。 ElevenLabs 自己的 YouTube 频道上，有这两款新语音模型的发布视频。 > 创作者可以设定语气、情绪、节奏、反应、音效和风格，也可以直接描述某一句该怎么说 > > ElevenLabs, 开发 Eleven v4 的公司，官方账号，引文为译文, [X](https://x.com/ElevenLabs/status/2104572133636731068) (2026-11-05 查阅) [![ElevenLabs（@ElevenLabs）2026 年 9 月 28 日在 X 上发帖：用行内标签指挥 Eleven v4 的表演。创作者可以设定语气、情绪、节奏、反应、音效和风格，也可以直接描述某一句该怎么说。](https://mindket.com/blog/shots/x-elevenlabs-v4-inline-tags.webp?v=e7ccd715b6c5)](https://x.com/ElevenLabs/status/2104572133636731068) ElevenLabs 在 X 上，2026 年 9 月 28 日 [![OpenAI Developers（@OpenAIDevs）2026 年 9 月 10 日在 X 上发帖：GPT-Live-1 已在 API 中开放。把 ChatGPT 那种自然的你来我往带进你的应用，做出能边说边听的语音智能体。](https://mindket.com/blog/shots/x-openaidevs-gpt-live-1-api.webp?v=361ead698a11)](https://x.com/OpenAIDevs/status/2098099269551149398) OpenAI Developers 在 X 上，2026 年 9 月 10 日 [Introducing Eleven v4 and Eleven v4 Turbo](https://www.youtube.com/watch?v=th_tXR2QQ6U) ElevenLabs 自己的 YouTube 频道介绍 Eleven v4 和 Eleven v4 Turbo。 > X 官方嵌入卡片的截图，拍摄于 2026 年 11 月 5 日，时间为 UTC。点击截图可到 X 上打开原帖。 ## 常见错误 - 凭厂商的演示片段判断一个声音。把你自己的稿子贴进去，带上你的产品名和数字，因为它真正要读对的是这些。 - 新应用还在用 tts-1 或 gpt-4o-mini-tts 起步。它们会在 2027 年 1 月 6 日停用，OpenAI 让新项目改用 Realtime API 里的 gpt-realtime-2.1-mini，那是另一套工作流程。 - 把一整段长录音一次性发给 OpenAI 的转写接口。超过 25 MB 就太大了，先切开再传。 - 让保密的通话录音走 Gemini API 的免费层级。Google 说免费层级的输入和输出可能被人工审阅，这类录音用付费层级或本地模型。 ## 自己试一试 - 把同一小段文字分别贴进 ElevenLabs 和 AI Studio 里的 Gemini 文字转语音，记下哪一个把你的产品名读对了。 - 用 Whisper 的 tiny 模型转写一段两分钟的语音备忘，再用 turbo 转写一次，把各自写错的词标出来。 - 在对比表里挑出你下一个项目会用的那一行，写下最可能卡住你的那个限制。 ## 自测一下 1. 你要用 ElevenLabs 给一个变现的频道配音，第一档列出商用许可的是哪个套餐？ A. 免费套餐 B. Starter C. 专业克隆 D. 只有企业版 答案：B。 ElevenLabs 定价页写明 Starter 及以上含商用许可，免费套餐没有列出。 2. 朋友同意你用他的声音在 ElevenLabs 做专业克隆，结果会怎样？ A. 他读完验证句就能成功 B. 用 Creator 或更高的套餐就行 C. 会被拒绝，因为专业克隆只能是你本人的声音 D. 需要一段 10 秒的样本 答案：C。 ElevenLabs 文档说，专业克隆只能用你本人的声音，就算对方同意也不行。 3. 哪个办法能转写一段保密录音，又不把它发到任何地方？ A. 在自己电脑上运行 Whisper B. Gemini API 的免费层级 C. AssemblyAI 注册送的额度 答案：A。 Whisper 在你自己的机器上运行，而所有云端方案都会收到这段音频。 4. 你要用 OpenAI 做一个朗读文字的新应用，为什么不该基于 gpt-4o-mini-tts？ A. 它只会说中文 B. 它需要一段同意录音 C. 它不能输出 MP3 D. 它将于 2027 年 1 月 6 日停用 答案：D。 OpenAI 的指南说 tts-1、tts-1-hd 和 gpt-4o-mini-tts 将于 2027 年 1 月 6 日停用，新项目改用 gpt-realtime-2.1-mini。 ## 常见问题 ### AI 配音工具要花多少钱？ 可以从零成本开始。ElevenLabs、Gemini API、Azure、Deepgram 和 AssemblyAI 都有免费额度或注册赠送的额度，Whisper 和 Kokoro 本身免费。付费套餐按积分、分钟或 token 计算，所以要拿你自己音频的长度去算价格。 ### AI 配音能用在 YouTube 上赚钱吗？ 能，只要你生成时用的套餐允许商用，所以要看套餐，而不是看声音。在 ElevenLabs 上，任何一档付费套餐都符合。如果你把 OpenAI 的声音做进应用，它的政策要求向听众清楚说明。 ### 最好的免费 AI 配音工具是哪个？ 要看哪种限制你能接受。一份短稿子，ElevenLabs 每月的积分就够用。长篇有声书或者每天都要跑的活，更适合 Kokoro，它没有额度上限，也不用注册账号，只是只有 54 个预设声音。 ### 用 AI 克隆别人的声音合法吗？ 在这里列出的任何平台上，没有对方同意都不行，你所在地的法律可能还有更多要求。ElevenLabs 的专业克隆更严格，只接受你本人的声音，就算对方同意也不行。 ### 哪个 AI 最适合把录音转成文字？ 要在应用里做实时字幕，选 Deepgram 或 AssemblyAI，两家都卖流式语音转文字。要标出谁说了哪句话，OpenAI 的指南推荐 gpt-4o-transcribe-diarize，不过它将于 2027 年 2 月 26 日停用。私密文件还是交给 Whisper。 ## 资料来源 - [ElevenLabs: Pricing](https://elevenlabs.io/pricing) (2026-11-06 查阅) - [ElevenLabs: Models](https://elevenlabs.io/docs/overview/models) (2026-11-06 查阅) - [ElevenLabs: Text to Speech guide](https://elevenlabs.io/docs/product-guides/playground/text-to-speech) (2026-11-06 查阅) - [ElevenLabs: Instant Voice Cloning](https://elevenlabs.io/docs/product-guides/voices/voice-cloning/instant-voice-cloning) (2026-11-06 查阅) - [ElevenLabs: Professional Voice Cloning](https://elevenlabs.io/docs/product-guides/voices/voice-cloning/professional-voice-cloning) (2026-11-06 查阅) - [ElevenLabs: Voice changer](https://elevenlabs.io/docs/overview/capabilities/voice-changer) (2026-11-06 查阅) - [ElevenLabs: Introducing Eleven v4](https://elevenlabs.io/blog/eleven-v4) (2026-11-06 查阅) - [OpenAI: API pricing](https://developers.openai.com/api/docs/pricing) (2026-11-06 查阅) - [OpenAI: Audio and speech guide](https://developers.openai.com/api/docs/guides/audio) (2026-11-06 查阅) - [OpenAI: Text to speech guide](https://developers.openai.com/api/docs/guides/text-to-speech) (2026-11-06 查阅) - [OpenAI: Speech to text guide](https://developers.openai.com/api/docs/guides/speech-to-text) (2026-11-06 查阅) - [OpenAI: Custom voices guide](https://developers.openai.com/api/docs/guides/custom-voices) (2026-11-06 查阅) - [Google: Gemini API speech generation](https://aistudio.google.com/docs/speech-generation) (2026-11-06 查阅) - [Google: Gemini API pricing](https://aistudio.google.com/docs/pricing) (2026-11-06 查阅) - [Google: Gemini API additional terms of service](https://aistudio.google.com/docs/terms) (2026-11-06 查阅) - [Google: Gemini API voice replication](https://aistudio.google.com/docs/voice-replication) (2026-11-06 查阅) - [Google Cloud: Chirp 3 Instant Custom Voice](https://docs.cloud.google.com/text-to-speech/docs/chirp3-instant-custom-voice) (2026-11-06 查阅) - [Microsoft: Azure Speech pricing](https://azure.microsoft.com/en-us/pricing/details/cognitive-services/speech-services/) (2026-11-06 查阅) - [Microsoft: What is personal voice?](https://learn.microsoft.com/en-us/azure/ai-services/speech-service/personal-voice-overview) (2026-11-06 查阅) - [Deepgram: Pricing](https://deepgram.com/pricing) (2026-11-06 查阅) - [AssemblyAI: Pricing](https://www.assemblyai.com/pricing) (2026-11-06 查阅) - [GitHub: openai/whisper](https://github.com/openai/whisper) (2026-11-06 查阅) - [Hugging Face: hexgrad/Kokoro-82M](https://huggingface.co/hexgrad/Kokoro-82M) (2026-11-06 查阅) - [Hugging Face: Kokoro-82M voices](https://huggingface.co/hexgrad/Kokoro-82M/blob/main/VOICES.md) (2026-11-06 查阅) - [GitHub: resemble-ai/chatterbox](https://github.com/resemble-ai/chatterbox) (2026-11-06 查阅) - [ElevenLabs (@ElevenLabs) on X: Eleven v4 inline tags](https://x.com/ElevenLabs/status/2104572133636731068) (2026-11-05 查阅) - [OpenAI Developers (@OpenAIDevs) on X: GPT-Live-1 in the API](https://x.com/OpenAIDevs/status/2098099269551149398) (2026-11-05 查阅) - [ElevenLabs on YouTube: Introducing Eleven v4 and Eleven v4 Turbo](https://www.youtube.com/watch?v=th_tXR2QQ6U) (2026-11-05 查阅) [浏览自动化](https://mindket.com/cn/automations)