語音合成（TTS）模型價格比較
BibiGPT 配音可選的 TTS 模型，統一換算成每百萬字元多少錢，每個都附官方試聽。依 token 計費的模型，按每秒約 15 個字元的語速換算。
價格核對於 2026-10-26。這裡是上游牌價，不是 BibiGPT 的售價。
| 模型 | 試聽 | 每百萬字元 | 1 百萬字元 | 官方牌價 | 能力 | 在 BibiGPT 中 |
|---|---|---|---|---|---|---|
Kokoro-82M（瀏覽器本機） 開源 · 本機 kokoro-js零成本，文字不會離開瀏覽器；不支援的語言會退回系統朗讀。 | ¥0 | ¥0 | 免費（在瀏覽器中執行，一次性下載約 86MB） | 中英日 低延遲 | 本機免費 網頁內朗讀 | |
Qwen-Audio-3.1 TTS Flash最便宜 阿里通義 qwen-audio-3.1-tts-flash3.1 改為依 token 計費；BibiGPT 目前仍使用 3.0 Flash。 | ¥20.4估算 | ¥20.4 | 輸入 ¥1.5 / 輸出 ¥12 每百萬 token（華北 2） | 中英 + 方言音色 描述生成音色 | 未接入 | |
xAI TTS xAI（fal 代管） xai/tts/v1依字元計費中最便宜的一檔。 | ¥107 | ¥107 | $0.015/千字元 | 多語言，可指定中文 低延遲 | BibiGPT 可直接使用 | |
Qwen-Audio-3.0 TTS Flash 阿里通義（OpenRouter） qwen/qwen-audio-3.0-tts-flash中文旁白便宜又穩定。 | ¥107 | ¥107 | $15/百萬字元（OpenRouter）；中國站 ¥1/萬字元，1 個漢字記為 2 字元 | 中英 + 方言音色 | BibiGPT 可直接使用 | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-pro依位元組計費：英文同為 $15/百萬字元，中文實際約 $45/百萬字。聲音複製好用。 | ¥107 | ¥107 | $15/百萬 UTF-8 位元組（漢字約 3 位元組） | 80+ 種語言 聲音複製語氣指令 | BibiGPT 可直接使用 | |
HeyGen Voice HeyGen（OpenRouter） heygen/heygen-voice-1中英文都能朗讀，預設女聲 Nadine。 | ¥107 | ¥107 | $15/百萬字元（OpenRouter；turbo 檔 $4） | 多語言 | BibiGPT 可直接使用 | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-tts預設旁白音色。多人對話一次合成，可用自然語言指示語氣。 | ¥107估算 | ¥107 | 文字輸入 $0.50 / 音訊輸出 $9 每百萬 token（2027 年起加倍為 $1 / $18） | 80+ 種語言 多人對話語氣指令 | BibiGPT 可直接使用 | |
GPT-4o mini TTS OpenAI gpt-4o-mini-tts可用指令控制語氣；中文發音略帶口音。 | ¥115估算 | ¥115 | 文字輸入 $0.60 / 音訊輸出 $12 每百萬 token（約 $0.015/分鐘） | 多語言 語氣指令 | 未接入 | |
DeepSeek POST /v1/tools/tts只有 Stella、Tide 兩個音色，不能調語速和情緒；實測約 1 秒出聲，合成約 5 倍即時。中文按 2 字元計，實際約 $45/百萬字。 | 尚無官方試聽 | ¥160 | ¥160 | $0.45/萬字元（限時半價 $0.225），1 個漢字記 2 字元 | 普通話、粵語、英日韓等 10 種 低延遲 | BibiGPT 可直接使用 |
Deepgram Aura-2 Deepgram aura-2針對客服語音 Agent 的低延遲英文 TTS。 | ¥213 | ¥213 | $0.030/千字元 | 英語等（不含中文） 低延遲 | 未接入 | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo約 75–100 毫秒出聲，適合即時場景；配音時在 ElevenLabs 模型下拉選單中選擇。 | 尚無官方試聽 | ¥284 | ¥284 | $0.04/千字元 | 32 種語言（v4 Turbo 90+） 聲音複製低延遲 | BibiGPT 可直接使用 |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3表現力最強的一檔；中文效果視音色而定。 | ¥568 | ¥568 | $0.08/千字元 | 70+ 種語言 聲音複製語氣指令多人對話 | BibiGPT 可直接使用 | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hd中文情緒與旁白最穩定；Turbo 檔為 $60/百萬字元。 | ¥710 | ¥710 | $100/百萬字元（國際站）；中國站 ¥3.5/萬字元，1 個漢字記為 2 字元 | 40 種語言，中文最強 聲音複製描述生成音色語氣指令 | BibiGPT 可直接使用 | |
Seed Audio 1.0 位元組 Seed（fal 代管） bytedance/seed-audio-1.0依生成時長計費，用一句話描述音色即可，不需要參考音訊。 | ¥1479估算 | ¥1479 | $0.1875/分鐘音訊（fal）；火山中國站 ¥1/分鐘 | 中英 描述生成音色 | BibiGPT 可直接使用 | |
MiMo V2 TTS 小米 mimo-v2-tts中文旁白自然。 | 待核 | — | 未公開（官方價目頁只寫 v2.5 TTS 限時免費） | 中文、英文 語氣指令 | BibiGPT 可直接使用 |
- Gemini / 通義等依 token 計費的 TTS：每秒音訊 25 個 token，每秒朗讀約 15 個字元。
- 中文依字計費時，部分廠商把一個漢字記為 2 個字元，實際以帳單為準。
- 人民幣與美元按 7.1 換算。
常見問題
哪個語音轉文字模型最便宜？
在我們的樣本上，Qwen-Audio-3.1 錄音檔轉寫約 ¥0.075–0.10/小時，低於 StepAudio 2.5（¥0.15/小時）和 Paraformer v2（¥0.288/小時）。Bibi Local 桌面版的本機模型不用花錢。
STT、即時、TTS 有什麼差別？
STT 把錄好的音訊轉成文字，依音訊時數計費。即時模型邊說邊轉，或直接用語音回應你，通常更貴。TTS 則相反，輸入文字、輸出語音，多半依字元計費。
為什麼有些價格標示「估算」？
這些模型依 token 計費，不依時數。我們用表格下方註明的 token 密度換算，實際帳單會隨語速與語言浮動。
這些模型能在 BibiGPT 裡使用嗎？
標示「BibiGPT 可直接使用」的由會員額度涵蓋；標示「自備 Key」的，填入自己的 API Key 即可選用；標示「本機免費」的在 Bibi Local 桌面版中於本機執行；「未接入」僅供參考。
用這些音色為你的內容配音
在 BibiGPT 把摘要做成圖片短影片，配音時選用這些引擎。