9 bästa text-till-tal-API:erna för utvecklare (2026): verklig latens och kostnad per minut jämförda
Det bästa text-till-tal-API:et för utvecklare är inte det med snyggast demo. Det är det som håller din latensbudget utan att spränga fakturan. Vi vet det, för vi bygger röstagenter ovanpå de här API:erna. Förra kvartalet marknadsförde Cartesias Sonic-3 en time-to-first-audio på 40 till 90ms, men det oberoende Coval-benchmarket mätte den verkliga P50:an till omkring 188ms. Priserna spänner från $4 till $100 per 1M tecken. Leverantörernas latenssiffror överlever sällan ett riktigt telefonsamtal. Så här kommer en ärlig rankning av 9 text-till-tal-API:er, med siffrorna leverantörerna utelämnar från sina egna listor.
Vi säljer inget TTS-API. Vi bygger röstagenter ovanpå de här, så det finns ingen egen produkt att pusha i den här rankningen. Och för att vara tydlig med omfattningen: det här handlar om text-till-tal-syntes-API:et, lagret som gör om text till ljud, inte om kompletta röstagentplattformar eller kreatörsverktyg för video. Ny i ämnet? Börja med vad en AI-röstassistent faktiskt är.
Snabbt svar: De bästa TTS-API:erna i korthet
- Bäst röstkvalitet totalt: ElevenLabs (Flash ~75ms enligt uppgift), det dyraste alternativet här på $50 till $100 per 1M tecken.
- Bäst värde och enklast integration: OpenAI gpt-4o-mini-tts, ungefär $0.015 per minut ljud.
- Lägst latens för realtidsagenter: Cartesia Sonic, inbyggd streaming via websockets, 40 till 90ms angiven time-to-first-audio.
- Billigast och självhostat: Google Cloud och Amazon Polly på $4 per 1M tecken; OmniVoice är $0 självhostat.
De 9 bästa TTS-API:erna i korthet
Här är varje API sida vid sida, rankade för en utvecklare som integrerar text-till-tal i en app eller röstagent. Per-minut-siffrorna är vår uppskattning, inte en leverantörssiffra (uträkningen finns under tabellen).
| API | Pris ($/1M tecken) | Uppsk. $/min* | Gratisnivå | Streaming | Röstkloning | Självhost | Bäst för |
|---|---|---|---|---|---|---|---|
| ElevenLabs | $50 Flash / $100 Multilingual | ~$0.045 | trial | Yes | Instant by ID | No | Bäst röstkvalitet |
| OpenAI | $15 tts-1 / gpt-4o-mini-tts ~$0.015/min | ~$0.015 | $5 credit | Yes | Limited | No | Bäst värde och enklast |
| Cartesia | ~$39 (Sonic) | ~$0.035 | ~27 min/mo | Yes (websocket) | Instant (Pro) | No | Låg latens, agenter |
| Deepgram | $15 Aura-1 / $30 Aura-2 | ~$0.014-0.027 | $200 credit | Yes | No (preset) | Yes (enterprise) | STT plus TTS, en leverantör |
| Google Cloud | $4 Std/WaveNet / $16 Neural2 | ~$0.004-0.014 | 4M chars/mo (Std) | Yes | No | No | Flerspråkigt plus gratisnivå |
| Amazon Polly | $4 Std / $16 Neural | ~$0.004-0.014 | 5M/1M chars/mo | Yes | No | No | Billigt, pålitligt i stor skala |
| Azure AI Speech | $16 Neural / $22 Neural HD | ~$0.014-0.020 | 500K chars/mo | Yes | Custom Neural Voice | Yes (air-gapped containers) | Efterlevnad/on-prem |
| PlayHT | subscription ~$39-99/mo (est) | ~$0.07 (est) | trial | Yes | Instant (3-10s) | No | Stort flerspråkigt bibliotek |
| OmniVoice | $0 (Apache-2.0) | GPU cost only | unlimited (self-run) | No (batch) | Zero-shot ~3s | Yes (fully local) | Självhost/ovanliga språk |
*Kostnad per minut är vår uppskattning: pris per 1M tecken gånger ~900 tecken/min (ungefär 150 ord/min). Ingen leverantörssiffra.
Så rankade vi dessa (och varför vi inte säljer något TTS-API)
Vi vägde fem saker: röstkvalitet, latens och streamingstöd, kostnad (per tecken och per minut), SDK-yta och självhostalternativ. Vi bygger skarpa röstagenter på flera av dessa, så ordningen speglar passform, inte favorisering. Ingen har betalat för en plats.
Den neutraliteten är hela poängen. Varenda ”bästa TTS-API”-lista du hittar är skriven av en TTS-leverantör som rankar sin egen produkt först. Vi säljer agenter, inte syntes, så vi har inget att pusha här. Där ett verktyg förlorar på pris, latens eller kloning säger vi det rakt ut i raden ”Hoppa över om”. Inga halmgubbar, inga favoriter.
1. ElevenLabs: Bäst röstkvalitet totalt
ElevenLabs gör de mest naturliga syntetiska rösterna du kan köpa via ett API just nu, med ett stort röstbibliotek och direktkloning via röst-ID. Flash v2.5-modellen är realtidsalternativet.
Enligt ElevenLabs prissida för API:et (per juli 2026) kostar Flash och Turbo $50 per 1M tecken och Multilingual v2/v3 $100 per 1M, ungefär $0.045 till $0.09 per minut enligt vår uträkning. ElevenLabs uppger cirka 75ms latens på Flash. Streaming fungerar över både REST och websocket. Kloning sker direkt från vilket röst-ID som helst.
Bygger du en komplett telefonagent? Se hur det står sig mot röstagentplattformar som Vapi och Synthflow.
curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb?output_format=mp3_44100_128" \
-H "xi-api-key: $ELEVENLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"text": "Your table for two is confirmed for 8pm.", "model_id": "eleven_flash_v2_5"}' \
--output speech.mp3Välj det här om röstkvalitet inte är förhandlingsbart och budget inte är din första begränsning. Hoppa över om kostnad per tecken är stoppklossen, för det är det dyraste alternativet här.
2. OpenAI TTS: Bäst värde och enklast integration
OpenAI TTS är minsta motståndets väg om du redan anropar OpenAI-API:et. Modellen gpt-4o-mini-tts lägger till styrbarhet, vilket innebär att du promptar hur en replik ska låta (”säg det som en varm, tålmodig lärare”), inte bara vad den ska säga.
Enligt OpenAIs prisdokumentation (per juli 2026) kostar tts-1 $15 per 1M tecken, tts-1-hd $30 per 1M, och gpt-4o-mini-tts debiterar $0.60 per 1M texttoken plus $12 per 1M ljudtoken, vilket landar nära $0.015 per minut ljud. Streaming stöds. Kloning är begränsad.
Bygger du en realtidstelefonagent? Kombinera det med OpenAIs Realtime API för röstagenter.
from openai import OpenAI
client = OpenAI() # reads OPENAI_API_KEY from env
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="alloy",
input="Say it like a warm, patient teacher.",
) as response:
response.stream_to_file("speech.mp3")Välj det här om du vill ha billigt, tillräckligt bra ljud inom en stack du redan kör. Hoppa över om du behöver många distinkta röster eller riktig röstkloning.
3. Cartesia (Sonic): Bäst för ultralåg latens i realtidsagenter
Cartesias Sonic är byggt för konversation. Det levereras med inbyggd streaming via websockets och den lägsta time-to-first-audio vi har uppmätt från ett hostat API.
Enligt Cartesias prissida (per juli 2026) kostar Startup-planen omkring $39 per 1M tecken (~$0.035/min), med runt 20,000 gratiskrediter i månaden (cirka 27 minuter ljud). Cartesia uppger 40 till 90ms time-to-first-audio på Sonic-3. Streaming-API:et är websocket-nativt, och kloning sker direkt på Pro-nivåerna. Så här ser mönstret ut som agenter faktiskt använder, med PCM-chunkar streamade direkt till den som ringer:
from cartesia import Cartesia
import os
client = Cartesia(api_key=os.environ["CARTESIA_API_KEY"])
ws = client.tts.websocket()
for chunk in ws.send(
model_id="sonic-3",
transcript="Booking confirmed. See you at eight.",
voice={"id": "a0e99841-438c-4a64-b679-ae501e7d6091"},
output_format={"container": "raw", "encoding": "pcm_f32le", "sample_rate": 44100},
stream=True,
):
play(chunk.audio) # push audio to the caller as it arrivesVälj det här om du bygger konversationsagenter under en sekund. Hoppa över om du inte behöver realtid och vill ha en större röstkatalog.
4. Deepgram (Aura-2): Bäst en-leverantörs STT + TTS
Deepgram är den enda leverantören som gör bägge halvorna av en röstbot bra: lyssnandet (speech-to-text) och pratandet (TTS). Aura-2 debiteras per tecken och är finjusterad för konversationslatens.
Enligt Deepgrams prissida (per juli 2026) kostar Aura-1 $15 per 1M tecken och Aura-2 $30 per 1M (~$0.014 till $0.027/min), med en $200-registreringskredit och självhost på enterprise-planer. Deepgram anger under 250ms för konversations-AI. Streaming stöds; kloning gör det inte, så du är begränsad till förinställda röster.
Välj det här om du vill ha en leverantör för hela lyssna-och-tala-loopen. Hoppa över om du behöver röstkloning.
5. Google Cloud Text-to-Speech: Bäst flerspråkig bredd och generös gratisnivå
Google Cloud Text-to-Speech täcker 380+ röster över 50+ språk, och gratisnivån är den mest generösa för prototyper.
Enligt Google Clouds prissida (per juli 2026) kostar Standard och WaveNet $4 per 1M tecken, Neural2 $16 per 1M, Chirp 3 HD $30 per 1M och Studio $160 per 1M. Gratisnivån ger dig 4M Standard-tecken i månaden, men bara 1M per månad vardera på WaveNet, Neural2 och Chirp 3 HD, så kolla vilken rösttyp du faktiskt ligger på. Streaming stöds; det finns ingen kloning (custom voice är en separat produkt).
Välj det här om du behöver massor av språk billigt och lever på GCP. Hoppa över om du vill ha toppklassad uttrycksfull kvalitet utan att betala Studios $160 per 1M.
6. Amazon Polly: Bäst trist, pålitligt och billigt i stor skala
Amazon Polly är den pålitliga arbetshästen: förutsägbar, billig och djupt inbyggd i AWS. Den är idealisk för IVR och transaktionella meddelanden där du inte behöver drama, du behöver drifttid.
Enligt AWS prissida för Polly (per juli 2026) kostar Standard $4 per 1M tecken, Neural $16 per 1M, Generative $30 per 1M och Long-Form $100 per 1M (~$0.004 till $0.09/min). Gratisnivån täcker 5M Standard- och 1M Neural-tecken i månaden under dina första 12 månader. Streaming stöds; det finns ingen kloning.
Välj det här om du är på AWS och vill ha förutsägbar TTS i volym. Hoppa över om du vill ha uttrycksfulla, klonbara röster.
7. Azure AI Speech: Bäst för efterlevnad och on-prem
Azure AI Speechs särskiljande faktor är inte rösterna, det är var du kan köra dem: standard Neural, Custom Neural Voice och frånkopplade (air-gapped) containrar för data som juridiskt inte får lämna ditt nätverk.
Enligt Azures prissida för Speech (per juli 2026) kostar standard Neural $16 per 1M tecken och Neural HD $22 per 1M (nedsatt från $30 i mars 2026). F0-gratisnivån täcker 500K tecken i månaden och går aldrig ut. Air-gapped, frånkopplade containrar kostar runt $47,424 om året för 4.8B tecken (registrering krävs), vilket är siffran ditt compliance-team kommer bry sig om. Streaming stöds; kloning sker via Custom Neural Voice.
Välj det här om du behöver on-prem- eller air-gapped-syntes, eller om du är en Microsoft-organisation. Hoppa över om du inte är på Azure och inte behöver compliance-kontroller.
8. PlayHT: Bäst stora flerspråkiga röstbibliotek
PlayHTs dragkraft är bredd: 900+ röster, 142 språk, Turbo-latens under 300ms, och direktkloning från ett 3 till 10 sekunder långt sample.
Här kommer den ärliga brasklappen om prissättningen. Enligt PlayHTs prissida (per juli 2026) kostar planerna ungefär $39/mån (Professional) till $99/mån (Premium/unlimited), och API-åtkomst ligger på de högre och enterprise-nivåerna. Ingen ren pris-per-tecken för API:et är publicerad, så behandla vilken som helst per-minut-siffra (vi uppskattar omkring $0.07) som exakt det, en uppskattning. Streaming stöds; kloning sker direkt från ett kort klipp.
Välj det här om du vill ha röstbredd för en konversationsprodukt och ElevenLabs är för dyrt. Hoppa över om du vill ha transparent pay-as-you-go-debitering per tecken.
9. OmniVoice: Bäst när data inte får lämna dina servrar
OmniVoice (från k2-fsa-teamet) är Apache-2.0, $0 per tecken, 646 språk, och zero-shot-kloning från ett ~3 sekunder långt klipp, och körs helt lokalt. Vi testade det på egen hand på vår egen hårdvara.
Det finns ingen kostnad per tecken alls. Du betalar för GPU:n och elen, inget annat. Avvägningen: OmniVoice är batch-syntes (real-time factor runt 0.03), inte streaming under 300ms, så det passar inte för live-konversation. Kloning är zero-shot från några sekunders referensljud. För installationsdetaljer och kvalitetsanteckningar, läs vår handson-recension av OmniVoice.
Välj det här om du behöver on-prem, HIPAA, ovanliga språk, eller om du avskyr debitering per tecken vid mycket hög volym. Hoppa över om du behöver konversationslatens i realtid.
Vad kostar ett TTS-API egentligen per minut?
Ett text-till-tal-API kostar ungefär $0.004 till $0.09 per minut syntetiserat ljud 2026. Billigast är Google Cloud och Amazon Polly Standard på omkring $0.004/min; OpenAIs gpt-4o-mini-tts ligger nära $0.015/min; ElevenLabs topprost når $0.09/min. Självhostat OmniVoice är $0 per tecken.
Varje per-minut-siffra här är vår egen uträkning, inte en leverantörssiffra. Vi räknar om pris per 1M tecken till kostnad per minut genom att anta ~900 tecken per minut (ungefär 150 ord per minut naturligt tal). Den enda omräkningen förändrar hur du budgeterar: den som bygger röstagenter budgeterar inte i dollar per miljon tecken, utan i dollar per minut samtalstid. Här är omräkningen ingen publicerar.
"Uppskattad TTS-kostnad per minut ljud (USD, ~900 tecken/min)"
Datatabell
| "Leverantör (representativ modell)" | "USD per minut" |
|---|---|
| "Google Cloud (WaveNet)" | 0.004 |
| "Amazon Polly (Standard)" | 0.004 |
| "Azure (Neural)" | 0.014 |
| "OpenAI (gpt-4o-mini-tts)" | 0.015 |
| "Deepgram (Aura-2)" | 0.027 |
| "Cartesia (Sonic)" | 0.035 |
| "ElevenLabs (Flash)" | 0.045 |
| "PlayHT (Turbo, uppsk.)" | 0.07 |
| "OmniVoice (självhost)" | 0 |
Per-minut-siffran är vår uppskattning (pris per 1M tecken gånger ~900 tecken/min). PlayHT är abonnemangsbaserat, så dess siffra är en uppskattning; OmniVoice är $0 per tecken (du betalar bara GPU och el). TTS är dock bara en post på notan. För helhetsbilden, se vår fullständiga kostnadsgenomgång för röstagenter.
Vad vi lärde oss av att koppla in TTS i skarpa röstagenter
Angiven latens är inte uppmätt latens. På en röstagent för restaurangbokning som vi levererade 2026 stämde ElevenLabs Flash annonserade 75ms isolerat, men i vår pipeline, när LLM-tokengenerering, nätverkshopp och ljudbuffring lades ovanpå, landade det första ljudet den som ringde hörde närmare 300 till 400ms. Den skillnaden är avgörande mellan ett naturligt svar och en pinsam paus.
Det oberoende Coval-benchmarket bekräftar det här. Det mätte Cartesia Sonic-3 till omkring 188ms P50 time-to-first-audio (100ms IQR), ElevenLabs Turbo v2.5 nära 264ms, och Flash v2.5 nära 288ms, alla högre än leverantörernas egna siffror. Det är därför vi som standard väljer streamande websocket-API:er (Cartesia, Deepgram) framför batch-REST för allt konversationellt. Håll koll på mätvärdet också: de första byten ett streaming-API returnerar är container- och headermetadata, inte spelbart ljud. Time-to-first-byte smickrar leverantören; time-to-first-audio är vad den som ringer faktiskt hör.
Kostnadsöverraskningen vi inte hade budgeterat för: på en högvolymlinje som körde ElevenLabs Multilingual v3 (~$0.09/min) syntetiserar en agent som pratar 40% av ett sex minuter långt samtal omkring 2.4 minuter ljud, ungefär $0.22 per samtal. Vid 1,500 samtal om dagen blir det nära $9,700 i månaden enbart i TTS. Att byta den linjen till gpt-4o-mini-tts ($0.015/min) sänkte det till under $1,700. Och en fälla som bet oss: modellen uttalade en kunds restaurangnamn fel tills vi lade till ett fonemalias, så budgetera tid för en uttalsordbok innan lansering.
Kan du självhosta eller köra open source-TTS?
Ja, och det är ett riktigt alternativ 2026, inget vetenskapsprojekt längre. Självhostning innebär att köra modellen på dina egna GPU:er så att ljudet aldrig rör vid ett tredjeparts-API. De främsta open source-alternativen är OmniVoice (646 språk, zero-shot-kloning), Piper (snabb, lättviktig, går utmärkt på en Raspberry Pi), Kokoro (liten och högkvalitativ), och äldre Coqui TTS.
Det finns även hanterade självhostvägar. Azures frånkopplade (air-gapped) containrar och Deepgrams enterprise on-prem låter dig köra röster i leverantörskvalitet inom ditt eget nätverk utan en ren open source-installation.
Självhostning vinner när data juridiskt inte får lämna dina servrar (HIPAA, air-gapped), när du behöver ovanliga eller lågresursspråk, eller när debitering per tecken blir brutal vid mycket hög volym. Den förlorar när du behöver konversationslatens i realtid eller är ett litet team utan GPU-drift att avvara. För de fallen är ett streaming-API det billigare svaret när du väl räknar in ingenjörstiden.
Hur väljer du rätt TTS-API?
Välj efter din enskilt största begränsning, inte efter en funktionschecklista. Här är det snabba beslutsträdet vi använder med kunder:
- Bygger du en realtidsröstagent? Cartesia eller Deepgram (streamande websockets, lägst uppmätt latens).
- Är röstkvalitet inte förhandlingsbart? ElevenLabs.
- Billigt och flerspråkigt? Google Cloud eller Amazon Polly.
- On-prem eller air-gapped? Azures frånkopplade containrar eller OmniVoice.
- Redan djupt i ett ekosystem? OpenAI, AWS Polly eller Google Cloud, vilket som matchar din befintliga stack.
- Behöver du det bredaste röstbiblioteket? PlayHT.
Börja med begränsningen som skulle döda projektet om du fick fel. Optimera resten efteråt.
Så tänker Techsy kring det här
Vi bygger röstagenter, vi säljer inget TTS-API, vilket är exakt varför vi kan vara neutrala här. I praktiken väljer vi olika TTS per kund utifrån deras latensbudget, kostnadstak och compliance-regler, och kopplar sedan in den i hela agenten: speech-to-text, LLM:en, telefoni och streaminglimmet däremellan. En bokningslinje för en restaurang och en HIPAA-bunden kliniklinje använder sällan samma syntesmotor.
Om du väger bygga mot köpa, bygger vi skarpa röstagenter end-to-end och kan berätta vilken TTS som faktiskt passar din samtalsvolym.
Om författaren
Mert Batur är medgrundare, Techsy.io. Anslut på LinkedIn.
Mert Batur är medgrundare av Techsy.io, där teamet levererar AI-agenter, automationssystem och röst-/SDR-pipelines till B2B-kunder. Han skriver om den LLM-tooling-stack Techsy-teamet faktiskt använder i skarp drift.
Vanliga frågor
Vilket är det bästa text-till-tal-API:et för utvecklare?
Det beror på din enskilt största begränsning. För toppröstkvalitet, välj ElevenLabs. För lägst realtidslatens, Cartesia. För billigt flerspråkigt ljud, Google Cloud eller Amazon Polly. För on-prem eller air-gapped data, Azures frånkopplade containrar eller självhostat OmniVoice. Det finns ingen universell vinnare.
Vilket TTS-API har lägst latens för realtidsröstagenter?
Cartesia uppger 40 till 90ms time-to-first-audio, ElevenLabs Flash uppger ~75ms, och Deepgram anger under 250ms. Men angivet är inte uppmätt: det oberoende Coval-benchmarket satte Cartesia Sonic-3 till nära 188ms P50 och ElevenLabs Flash till nära 288ms under verkliga förhållanden. För agenter, föredra streamande websocket-API:er.
Hur mycket kostar ett text-till-tal-API per minut ljud?
Ungefär $0.004 till $0.09 per minut 2026. Google och Polly Standard ligger nära $0.004/min, OpenAI gpt-4o-mini-tts nära $0.015/min, och ElevenLabs premiumröster når $0.09/min. Det här är våra uppskattningar vid ~900 tecken per minut; självhostat OmniVoice är $0 per tecken.
Finns det ett gratis text-till-tal-API? Vilken gratisnivå är bäst?
Ja. Google Cloud ger 4M Standard-tecken i månaden (1M vardera på högre rösttyper), Amazon Polly erbjuder 5M Standard- och 1M Neural-tecken i 12 månader, Azure F0 täcker 500K i månaden för alltid, och Cartesia inkluderar ~27 minuter i månaden. OpenAI och Deepgram ger registreringskrediter istället.
Vilket är det billigaste text-till-tal-API:et?
För ett hostat API är OpenAIs gpt-4o-mini-tts på $0.015 per minut det billigaste kvalitetsalternativet, medan Google Cloud och Amazon Polly Standard ligger på $4 per 1M tecken ($0.004/min). Om du kan köra en GPU kostar självhostat OmniVoice $0 per tecken, bara din beräkningskraft och el.
Kan jag självhosta en text-till-tal-modell istället för att använda ett API?
Ja. OmniVoice, Piper, Kokoro och Coqui är open source och körs helt lokalt. För hanterad on-prem erbjuder Azure frånkopplade (air-gapped) containrar och Deepgram enterprise-självhost. Självhostning är värt det för HIPAA, air-gapped data, ovanliga språk, eller mycket hög volym där debitering per tecken gör ont.
Vilka TTS-API:er stöder streaming eller websockets?
Cartesia, Deepgram, OpenAI, ElevenLabs och PlayHT stöder alla streaming, där Cartesia och Deepgram är websocket-native och bäst lämpade för live-konversation. OmniVoice är enbart batch, så det syntetiserar ett helt klipp innan det returnerar ljud och passar inte för realtidsröstagenter.
Har OpenAI eller ElevenLabs det bättre TTS-API:et?
Olika jobb. OpenAI vinner på pris och styrbarhet (prompta hur en replik ska låta) och finns redan i din stack. ElevenLabs vinner på ren röstkvalitet, ett större bibliotek och direktkloning. För kompletta agenter, jämför båda mot orkestreringsalternativ i vår genomgång av röstagentplattformar.
Hur klonar jag en röst via ett TTS-API, och hur långt klipp behöver jag?
Klipplängden varierar. ElevenLabs klonar direkt från vilket röst-ID som helst, Cartesia och OmniVoice behöver ett sample på omkring 3 sekunder, och PlayHT vill ha 3 till 10 sekunder. Amazon Polly, Deepgram och Google Cloud använder enbart förinställda röster (Azures Custom Neural Voice kräver en formell registreringsprocess).
Vad är skillnaden mellan prissättning per tecken och per token/per minut?
De flesta TTS-API:er debiterar per tecken i indatatexten, vilket är lätt att förutsäga. OpenAIs gpt-4o-mini-tts debiterar istället per audio-output-token, så kostnaden speglar längden på det genererade talet, inte källtexten. För röstagenter, räkna om båda till dollar per minut samtalstid för en rättvis jämförelse.
Källor
- ElevenLabs API pricing: https://elevenlabs.io/pricing/api (accessed 2026-07-14)
- Cartesia pricing: https://cartesia.ai/pricing (accessed 2026-07-14)
- Deepgram pricing: https://deepgram.com/pricing (accessed 2026-07-14)
- Amazon Polly pricing: https://aws.amazon.com/polly/pricing/ (accessed 2026-07-14)
- OpenAI API pricing: https://developers.openai.com/api/docs/pricing (accessed 2026-07-14)
- Google Cloud Text-to-Speech pricing: https://cloud.google.com/text-to-speech/pricing (accessed 2026-07-14)
- Azure AI Speech pricing: https://azure.microsoft.com/en-us/pricing/details/speech/ (accessed 2026-07-14)
- OmniVoice (k2-fsa): https://github.com/k2-fsa/OmniVoice (accessed 2026-07-14)
- Coval independent TTS benchmark: https://www.coval.ai/blog/best-text-to-speech-providers-in-2026-how-to-choose-(and-why-vendor-benchmarks-lie)/ (accessed 2026-07-14)
- MarkTechPost, benchmark-based TTS comparison: https://www.marktechpost.com/2026/05/30/best-text-to-speech-tts-models-in-2026-a-benchmark-based-comparison/ (accessed 2026-07-14)