TTS 成本对比 2026：云 vs 本地，每 100 万字符

文本转语音定价五花八门。这是 2026 年每百万字符的成本图——云 API vs 本地引擎。

💡 你将学到

文本转语音定价五花八门。这是 2026 年每百万字符的成本图——云 API vs 本地引擎。

📜 目录

• 为什么 TTS 成本现在重要
• 云格局（每 100 万字符，2026 年约价）
• 本地替代（一次性成本，之后免费）
• 盈亏平衡数学
• FAQ

为什么 TTS 成本现在重要

TTS 从“偶尔演示”变成“生产负载”：有声书管道、视频配音、无障碍、IVR。规模上来后，每字符价格决定项目生死。存在两个截然不同的世界：计量的云 API 和固定成本的本地引擎。

云格局（每 100 万字符，2026 年约价）

ElevenLabs：质量领跑者和溢价标杆：创作者档约 $20-30/100 万字符（更高质量声音更贵）。最好听的声音，最高的价格。

OpenAI TTS：标准声音档约 $15/100 万字符（hd 声音更高）。干净 API、扎实质量、定价可预测。

Google Cloud TTS：约 $4-16/100 万字符，看声音档位（Standard vs WaveNet/Neural2）。规模上来后量价优势强。

Azure TTS：神经声音约 $15/100 万字符，企业集成深。

Amazon Polly：约 $4-16/100 万字符，看声音（神经声音偏高端）。

本地替代（一次性成本，之后免费）

Kokoro（8,406 stars，2026-08-14）：成本粉碎机：装一次，之后无限字符只花电费。每月 100 万字符的工作负载，对比 ElevenLabs 每月省 $20-30、一年约 $240——还没有每字符焦虑。

Piper（11,278 stars）：轻量引擎：即时、小巧、免费。质量低于云，速度无对手。

Coqui XTTS：本地声音克隆：一次性配置，之后免费克隆。配置成本是时间不是钱。

盈亏平衡数学

如果每月低于约 10 万字符，云更简单也够便宜。每月超过约 100 万字符，本地几个月内成本胜出——差距随量增长。混合模式：批量/中性旁白走本地，需要 ElevenLabs 级质量的英雄声音走云。

FAQ

哪个最便宜？ 本地引擎（Kokoro/Piper）——配置后实际免费。最便宜的云：Google 或 Amazon 标准声音。

本地质量够吗？ 中性旁白越来越够；角色声音和情感表达，云（ElevenLabs）仍领先。

云价格含一切吗？ 留意附加成本：SSML、自定义声音、高量档可能加费。

创业公司最佳策略？ 先从云免费层起步，量上来后把批量负载迁本地——切换只是改配置。