语音合成（TTS）模型价格对比
BibiGPT 配音能选的 TTS 模型，统一折成每百万字符多少钱，每个都附官方试听。按 token 计费的模型按每秒约 15 个字符的语速换算。
价格核对于 2026-10-26。这里是上游牌价，不是 BibiGPT 的售价。
| 模型 | 试听 | 每百万字符 | 1 百万字符 | 官方牌价 | 能力 | 在 BibiGPT 里 |
|---|---|---|---|---|---|---|
Kokoro-82M（浏览器本地） 开源 · 本机 kokoro-js零成本，文字不出浏览器；不支持的语种回退到系统朗读。 | ¥0 | ¥0 | 免费（浏览器里跑，约 86MB 一次下载） | 中英日 低延迟 | 本机免费 网页内朗读 | |
Qwen-Audio-3.1 TTS Flash最便宜 阿里通义 qwen-audio-3.1-tts-flash3.1 改成按 token 计费；BibiGPT 目前仍用 3.0 Flash。 | ¥20.4估算 | ¥20.4 | 输入 ¥1.5 / 输出 ¥12 每百万 token（华北 2） | 中英 + 方言音色 描述生成音色 | 未接入 | |
xAI TTS xAI（fal 托管） xai/tts/v1按字符计费里最便宜的一档。 | ¥107 | ¥107 | $0.015/千字符 | 多语种，可指定中文 低延迟 | BibiGPT 可直接用 | |
Qwen-Audio-3.0 TTS Flash 阿里通义（OpenRouter） qwen/qwen-audio-3.0-tts-flash中文口播便宜稳定。 | ¥107 | ¥107 | $15/百万字符（OpenRouter）；国内站 ¥1/万字符，1 个汉字记 2 字符 | 中英 + 方言音色 | BibiGPT 可直接用 | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-pro按字节计费：英文同 $15/百万字符，中文实际约 $45/百万字。克隆音色好用。 | ¥107 | ¥107 | $15/百万 UTF-8 字节（汉字约 3 字节） | 80+ 种语言 声音克隆语气指令 | BibiGPT 可直接用 | |
HeyGen Voice HeyGen（OpenRouter） heygen/heygen-voice-1中英都能读，默认女声 Nadine。 | ¥107 | ¥107 | $15/百万字符（OpenRouter；turbo 档 $4） | 多语种 | BibiGPT 可直接用 | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-tts图片小视频配音的默认音色。多人对话一次合成，可用自然语言指挥语气。 | ¥107估算 | ¥107 | 文字输入 $0.50 / 音频输出 $9 每百万 token（2027 年起翻倍为 $1 / $18） | 80+ 种语言 多人对话语气指令 | BibiGPT 可直接用 | |
GPT-4o mini TTS OpenAI gpt-4o-mini-tts可用指令控制语气；中文发音略带口音。 | ¥115估算 | ¥115 | 文字输入 $0.60 / 音频输出 $12 每百万 token（约 $0.015/分钟） | 多语种 语气指令 | 未接入 | |
DeepSeek POST /v1/tools/tts只有 Stella、Tide 两个音色，不能调语速和情绪；实测约 1 秒出声，合成速度约 5 倍实时。中文按 2 字符计，实际约 $45/百万字。 | 暂无官方试听 | ¥160 | ¥160 | $0.45/万字符（限时半价 $0.225），1 个汉字记 2 字符 | 普通话、粤语、英日韩等 10 种 低延迟 | BibiGPT 可直接用 |
Deepgram Aura-2 Deepgram aura-2面向客服语音 Agent 的低延迟英文 TTS。 | ¥213 | ¥213 | $0.030/千字符 | 英语等（不含中文） 低延迟 | 未接入 | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo约 75–100 毫秒出声，适合实时场景；配音时在 ElevenLabs 模型下拉里选。 | 暂无官方试听 | ¥284 | ¥284 | $0.04/千字符 | 32 种语言（v4 Turbo 90+） 声音克隆低延迟 | BibiGPT 可直接用 |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3表现力最强的一档；中文效果看音色。 | ¥568 | ¥568 | $0.08/千字符 | 70+ 种语言 声音克隆语气指令多人对话 | BibiGPT 可直接用 | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hd中文情绪和口播最稳；Turbo 档 $60/百万字符。 | ¥710 | ¥710 | $100/百万字符（国际站）；国内站 ¥3.5/万字符，1 个汉字记 2 字符 | 40 种语言，中文最强 声音克隆描述生成音色语气指令 | BibiGPT 可直接用 | |
Seed Audio 1.0 字节 Seed（fal 托管） bytedance/seed-audio-1.0按生成时长计费，用一句话描述音色即可，不用找参考音频。 | ¥1479估算 | ¥1479 | $0.1875/分钟音频（fal）；火山国内 ¥1/分钟 | 中英 描述生成音色 | BibiGPT 可直接用 | |
MiMo V2 TTS 小米 mimo-v2-tts中文口播自然。 | 待核 | — | 未公开（官方价目页只写 v2.5 TTS 限时免费） | 中文、英文 语气指令 | BibiGPT 可直接用 |
- Gemini / 通义按 token 计费的 TTS：每秒音频 25 个 token，每秒朗读约 15 个字符。
- 中文按字计费时，部分厂商把一个汉字记作 2 个字符，实际以账单为准。
- 人民币和美元按 7.1 换算。
常见问题
哪个语音转文字模型最便宜？
在我们的样本上，Qwen-Audio-3.1 录音文件转写约 ¥0.075–0.10/小时，低于 StepAudio 2.5（¥0.15/小时）和 Paraformer v2（¥0.288/小时）。Bibi Local 桌面端的本地模型不花钱。
STT、实时、TTS 有什么区别？
STT 把录好的音频转成文字，按音频时长计费。实时模型边说边转，或直接用语音回你，通常更贵。TTS 反过来，文字进、语音出，多按字符计费。
为什么有的价格标「估算」？
这些模型按 token 计费，不按时长。我们用表格下方写明的 token 密度换算，实际账单会随语速和语种浮动。
这些模型能在 BibiGPT 里用吗？
标「BibiGPT 可直接用」的由会员额度覆盖；标「自带 Key」的填上自己的 API Key 就能选；标「本机免费」的在 Bibi Local 桌面端里本地跑；「未接入」只作参照。
用这些音色给你的内容配音
在 BibiGPT 把总结做成图片小视频，配音时选这些引擎。