ElevenLabs 拥有最自然、最具表现力的音色和可靠的克隆，这对长篇旁白最重要。
选择 ElevenLabsCartesia Sonic 面向对话智能体构建，其文档称 Sonic 3.5 可在约 90ms 内流式输出首个音频字节，适合对延迟敏感的体验。
选择 CartesiaChatterbox 为 MIT 许可，能自托管的话即可克隆并商用，无按字符计费。
选择 Chatterbox（Resemble AI）Azure 标准神经 TTS 覆盖 100+ 语言/区域，并提供 Azure 治理、企业区域和定制语音路径——是全球客服语音更稳妥的选择。
选择 Azure AI Speech（TTS）按类型、克隆、语言、商用授权和基准说明横向对比，每条价格都标注了核对日期与官方来源。
| 工具 | 类型 | 克隆 | 免费层 | 起步价 | 语言 | 商用 | 延迟 / 准确率 | 基准说明 | 核对 |
|---|---|---|---|---|---|---|---|---|---|
| ElevenLabs | TTS | 有 | 有 | $6/mo | 32+ 种语言 | 付费档（Starter 及以上）可商用；免费档无商用权利 | Flash v2.5 实时场景约 75ms | 表现力克隆语音 TTS | 2026-06-22 |
| Fish Audio | TTS | 有 | 有 | ~$15/1M chars | 80+ 语言，含中文 | 开源权重为 CC-BY-NC；商用需付费授权 | 按量计费，无订阅或最低消费 | 创作者声音克隆经济性 | 2026-06-12 |
| Cartesia | TTS | 有 | 有 | $5/mo | 15+ 种语言 | 付费档可商用 | Sonic 3.5 首字节 90ms | 实时语音智能体 TTS | 2026-06-22 |
| Azure AI Speech（TTS） | TTS | 有 | 有 | Usage-based | 100+ 语言/区域，含中文 | 按 Azure 条款可商用 | 标准神经音色覆盖 100+ 语言/区域 | 企业多语言治理 | 2026-06-25 |
| Chatterbox（Resemble AI） | TTS | 有 | 有 | Free (MIT, self-host) | 17+ 种语言 | MIT 许可，可免费商用 | 开源且 MIT 许可 | 开放或自托管实验 | 2026-06-12 |
| OpenAI TTS | TTS | 无 | 无 | ~$15/1M chars | 多语言（随模型） | 按标准 API 条款可商用 | 智能实时应用使用 `gpt-4o-mini-tts` | OpenAI 原生产品栈 | 2026-06-12 |
最自然、最具表现力的 TTS，配合高质量声音克隆和多语言配音——有声书和视频配音的默认之选。
约 $15/百万字符的多语言表现力克隆，比 ElevenLabs 便宜约 10 倍——但开源权重为 CC-BY-NC，商用需授权。
Sonic 3.5 文档称可在 90ms 内流式输出第一个音频字节，专为实时对话语音智能体打造。
100+ 语言/区域，提供神经/HD 音色、REST 与 Speech SDK 接入、定制语音选项和企业合规——最适合多语言客服和 Azure 体系内产品。
MIT 许可，可用约 5 秒音频克隆，可免费商用且自托管——无按字符计费。
廉价预设音色（约 $15/百万字符）且语气可引导——已在 OpenAI 生态中最省事，但不支持克隆。
适合参考的文本转语音工具和 API包括 ElevenLabs、Fish Audio、Cartesia、Azure AI Speech（TTS）、Chatterbox（Resemble AI）、OpenAI TTS。文本转语音已分化为不同用途：用于有声书和视频的表现力旁白、用于实时语音智能体的低延迟 TTS API、用于客服的广泛多语言覆盖，以及可自托管的开源模型。如果你在找低延迟 TTS API，先看首字节延迟、完成延迟、流式行为和区域测试；如果你搜索 Azure 文本转语音语言覆盖或 Azure 治理能力，Azure AI Speech 才是更稳的企业级对照选择。
按你的真实约束选 TTS——声音克隆、商用授权、中文支持、企业控制或延迟——而不只看宣传的音质。 为语音智能体选择低延迟 TTS API 时，要把首字节延迟、完成延迟、流式行为、网络区域和客户端缓冲同长文本旁白质量分开评估。 核查 Azure AI Speech 文本转语音价格和免费额度时，把 Azure 当作多语言企业选项，并在预算前确认当前 F0 字符额度与区域/SKU 定价。 上线克隆音色前先确认商用授权：开源权重差异很大（MIT 可商用；CC-BY-NC 不可）。 做多语言客服时，把 Azure 这类语言覆盖和治理能力，与更快但可能更窄的实时语音专用 API 分开比较。
ElevenLabs、Fish Audio、Cartesia、Azure AI Speech（TTS）、Chatterbox（Resemble AI） 提供可用的免费层或免费入口，可以先免费评估。付费档通常从 $6/mo 起。
有声书或视频旁白 → ElevenLabs；构建实时语音智能体 → Cartesia；需要免费可商用的声音克隆 → Chatterbox（Resemble AI）；多语言客服 → Azure AI Speech（TTS）。