9 API Text-to-Speech Tốt Nhất cho Lập Trình Viên (2026): So Sánh Độ Trễ Thực Tế & Chi Phí Mỗi Phút

9 API Text-to-Speech Tốt Nhất cho Lập Trình Viên (2026): So Sánh Độ Trễ Thực Tế & Chi Phí Mỗi Phút

API text-to-speech tốt nhất cho lập trình viên không phải là API có video demo bóng bẩy nhất. Đó là API đáp ứng được ngân sách độ trễ của bạn mà không làm hóa đơn đội lên. Chúng tôi biết điều này vì chúng tôi xây voice agent trên chính các API đó. Quý trước, Sonic-3 của Cartesia quảng cáo thời gian đến âm thanh đầu tiên (time-to-first-audio) từ 40 đến 90ms, nhưng benchmark độc lập của Coval đo được P50 thực tế vào khoảng 188ms. Giá dao động từ $4 đến $100 cho mỗi 1 triệu ký tự. Các con số độ trễ từ nhà cung cấp hiếm khi đứng vững nổi sau một cuộc gọi thoại thực tế. Vì vậy, đây là bảng xếp hạng trung thực về 9 API text-to-speech, kèm những con số mà chính các nhà cung cấp thường bỏ qua trong danh sách của họ.

Chúng tôi không bán API TTS. Chúng tôi xây voice agent trên nền các API này, nên chẳng có sản phẩm nào để chúng tôi phải đẩy trong bảng xếp hạng cả. Và để nói rõ về phạm vi: bài viết này nói về API tổng hợp giọng nói text-to-speech, tức lớp chuyển văn bản thành âm thanh, chứ không phải các nền tảng voice agent hoàn chỉnh hay công cụ video dành cho nhà sáng tạo. Mới tìm hiểu lĩnh vực này? Hãy bắt đầu với AI voice agent thực chất là gì.

Câu Trả Lời Nhanh: Các API TTS Tốt Nhất trong Nháy Mắt

• Chất lượng giọng nói tốt nhất tổng thể: ElevenLabs (Flash ~75ms theo công bố), cũng là lựa chọn đắt nhất ở đây với $50 đến $100 cho mỗi 1 triệu ký tự.
• Đáng tiền nhất và tích hợp đơn giản nhất: OpenAI gpt-4o-mini-tts, khoảng $0.015 mỗi phút âm thanh.
• Độ trễ thấp nhất cho agent thời gian thực: Cartesia Sonic, websocket streaming thuần, time-to-first-audio theo công bố từ 40 đến 90ms.
• Rẻ nhất và tự host: Google Cloud và Amazon Polly ở mức $4 cho mỗi 1 triệu ký tự; OmniVoice là $0 khi tự host.

9 API TTS Tốt Nhất trong Nháy Mắt

Dưới đây là toàn bộ các API đặt cạnh nhau, được xếp hạng cho lập trình viên đang tích hợp text-to-speech vào ứng dụng hoặc voice agent. Các con số mỗi phút là ước tính của chúng tôi, không phải số từ nhà cung cấp (phần tính toán nằm bên dưới bảng).

*$/phút là ước tính của chúng tôi: giá cho mỗi 1 triệu ký tự nhân với ~900 ký tự/phút (khoảng 150 từ/phút). Không phải số từ nhà cung cấp.

Chúng Tôi Đã Xếp Hạng Những API Này Thế Nào (và Vì Sao Chúng Tôi Không Bán API TTS)?

Chúng tôi cân nhắc năm yếu tố: chất lượng giọng nói, độ trễ và hỗ trợ streaming, chi phí (theo ký tự và theo phút), bề mặt SDK, và tùy chọn tự host. Chúng tôi xây voice agent chạy production trên một vài API trong số này, nên thứ hạng phản ánh mức độ phù hợp chứ không phải sự thiên vị. Không ai trả tiền cho một vị trí cả.

Sự trung lập đó chính là toàn bộ ý nghĩa. Mọi danh sách "API TTS tốt nhất" mà bạn tìm thấy đều do một nhà cung cấp TTS viết ra và tự xếp sản phẩm của họ ở vị trí đầu tiên. Chúng tôi bán agent chứ không bán dịch vụ tổng hợp giọng nói, nên chẳng có gì để phải đẩy ở đây. Khi một công cụ thua về giá, độ trễ hay khả năng nhân bản, chúng tôi nói thẳng trong dòng "Bỏ qua nếu". Không có bù nhìn, không có con cưng.

1. ElevenLabs: Chất Lượng Giọng Nói Tốt Nhất Tổng Thể

ElevenLabs tạo ra những giọng nói nhân tạo tự nhiên nhất mà bạn có thể mua qua API ngay lúc này, với thư viện giọng nói lớn và khả năng nhân bản tức thì theo voice ID. Mô hình Flash v2.5 của họ là lựa chọn cho thời gian thực.

Theo trang giá API của ElevenLabs (tính đến tháng 7 năm 2026), Flash và Turbo có giá $50 cho mỗi 1 triệu ký tự và Multilingual v2/v3 có giá $100 cho mỗi 1 triệu, theo cách tính của chúng tôi là khoảng $0.045 đến $0.09 mỗi phút. ElevenLabs công bố độ trễ khoảng 75ms trên Flash. Streaming hoạt động qua REST và websocket. Việc nhân bản diễn ra tức thì từ bất kỳ voice ID nào.

Đang xây một phone agent hoàn chỉnh? Hãy xem nó so với các nền tảng voice agent như Vapi và Synthflow ra sao.

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.mp3

Chọn cái này nếu chất lượng giọng nói là điều không thể thỏa hiệp và ngân sách không phải ràng buộc đầu tiên của bạn. Bỏ qua nếu chi phí trên mỗi ký tự là rào cản, vì đây là lựa chọn đắt nhất ở đây.

2. OpenAI TTS: Đáng Tiền Nhất và Tích Hợp Đơn Giản Nhất

OpenAI TTS là con đường ít lực cản nhất nếu bạn đã gọi API OpenAI. Mô hình gpt-4o-mini-tts bổ sung khả năng điều hướng (steerability), nghĩa là bạn prompt cách một câu nên nghe như thế nào ("hãy nói như một giáo viên ấm áp, kiên nhẫn"), chứ không chỉ nói nội dung gì.

Theo tài liệu giá của OpenAI (tính đến tháng 7 năm 2026), tts-1 có giá $15 cho mỗi 1 triệu ký tự, tts-1-hd là $30 cho mỗi 1 triệu, và gpt-4o-mini-tts tính phí $0.60 cho mỗi 1 triệu token văn bản cộng với $12 cho mỗi 1 triệu token âm thanh, quy ra khoảng $0.015 mỗi phút âm thanh. Streaming được hỗ trợ. Nhân bản thì hạn chế.

Đang xây phone agent thời gian thực? Hãy ghép nó với Realtime API của OpenAI cho voice agent.

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")

Chọn cái này nếu bạn muốn âm thanh rẻ, đủ tốt bên trong một stack mà bạn đã vận hành sẵn. Bỏ qua nếu bạn cần nhiều giọng nói riêng biệt hoặc nhân bản giọng nói thực sự.

3. Cartesia (Sonic): Tốt Nhất cho Agent Thời Gian Thực Siêu Thấp Trễ

Sonic của Cartesia được xây dựng cho hội thoại. Nó cung cấp websocket streaming thuần và time-to-first-audio thấp nhất mà chúng tôi đo được từ một API được host.

Theo trang giá của Cartesia (tính đến tháng 7 năm 2026), gói Startup có giá khoảng $39 cho mỗi 1 triệu ký tự (~$0.035/phút), với khoảng 20.000 credit miễn phí mỗi tháng (khoảng 27 phút âm thanh). Cartesia công bố time-to-first-audio 40 đến 90ms trên Sonic-3. API streaming thuần websocket, và nhân bản diễn ra tức thì ở các gói Pro. Đây là pattern mà các agent thực sự dùng, stream các chunk PCM thẳng đến người gọi:

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 arrives

Chọn cái này nếu bạn đang xây voice agent hội thoại dưới một giây. Bỏ qua nếu bạn không cần thời gian thực và muốn một danh mục giọng nói lớn hơn.

4. Deepgram (Aura-2): STT + TTS Một Nhà Cung Cấp Tốt Nhất

Deepgram là nhà cung cấp duy nhất làm tốt cả hai nửa của một voice bot: phần nghe (speech-to-text) và phần nói (TTS). Aura-2 được tính phí theo ký tự và được tinh chỉnh cho độ trễ hội thoại.

Theo trang giá của Deepgram (tính đến tháng 7 năm 2026), Aura-1 có giá $15 cho mỗi 1 triệu ký tự và Aura-2 là $30 cho mỗi 1 triệu (~$0.014 đến $0.027/phút), với $200 credit đăng ký và tự host ở các gói enterprise. Deepgram trích dẫn mức dưới 250ms cho AI hội thoại. Streaming được hỗ trợ; nhân bản thì không, nên bạn bị giới hạn ở các giọng có sẵn.

Chọn cái này nếu bạn muốn một nhà cung cấp cho toàn bộ vòng lặp nghe-và-nói. Bỏ qua nếu bạn cần nhân bản giọng nói.

5. Google Cloud Text-to-Speech: Phổ Đa Ngôn Ngữ Rộng Nhất và Gói Miễn Phí Dày Dặn

Google Cloud Text-to-Speech bao phủ hơn 380 giọng nói trên hơn 50 ngôn ngữ, và gói miễn phí của nó hào phóng nhất cho việc dựng prototype.

Theo trang giá của Google Cloud (tính đến tháng 7 năm 2026), Standard và WaveNet có giá $4 cho mỗi 1 triệu ký tự, Neural2 là $16 cho mỗi 1 triệu, Chirp 3 HD là $30 cho mỗi 1 triệu, và Studio là $160 cho mỗi 1 triệu. Gói miễn phí cho bạn 4 triệu ký tự Standard mỗi tháng, nhưng chỉ 1 triệu mỗi tháng cho từng loại trên WaveNet, Neural2 và Chirp 3 HD, nên hãy kiểm tra xem bạn thực sự đang dùng loại giọng nào. Streaming được hỗ trợ; không có nhân bản (giọng tùy chỉnh là một sản phẩm riêng).

Chọn cái này nếu bạn cần nhiều ngôn ngữ với giá rẻ và đang sống trên GCP. Bỏ qua nếu bạn muốn chất lượng biểu cảm hàng đầu mà không trả $160 mỗi 1 triệu của gói Studio.

6. Amazon Polly: Tốt Nhất Kiểu Nhàm Chán, Đáng Tin, Rẻ Ở Quy Mô Lớn

Amazon Polly là cỗ máy cày đáng tin cậy: dễ đoán, rẻ và gắn sâu vào AWS. Nó lý tưởng cho IVR và các prompt giao dịch, nơi bạn không cần kịch tính, bạn cần uptime.

Theo trang giá Polly của AWS (tính đến tháng 7 năm 2026), Standard có giá $4 cho mỗi 1 triệu ký tự, Neural là $16 cho mỗi 1 triệu, Generative là $30 cho mỗi 1 triệu, và Long-Form là $100 cho mỗi 1 triệu (~$0.004 đến $0.09/phút). Gói miễn phí bao gồm 5 triệu ký tự Standard và 1 triệu ký tự Neural mỗi tháng trong 12 tháng đầu tiên. Streaming được hỗ trợ; không có nhân bản.

Chọn cái này nếu bạn đang ở trên AWS và muốn TTS dễ đoán ở sản lượng lớn. Bỏ qua nếu bạn muốn những giọng nói biểu cảm, có thể nhân bản.

7. Azure AI Speech: Tốt Nhất cho Tuân Thủ và On-Prem

Điểm khác biệt của Azure AI Speech không nằm ở giọng nói, mà ở nơi bạn có thể chạy chúng: Neural tiêu chuẩn, Custom Neural Voice, và các container ngắt kết nối (air-gapped) cho dữ liệu mà về mặt pháp lý không thể rời khỏi mạng của bạn.

Theo trang giá Speech của Azure (tính đến tháng 7 năm 2026), Neural tiêu chuẩn có giá $16 cho mỗi 1 triệu ký tự và Neural HD là $22 cho mỗi 1 triệu (giảm từ $30 vào tháng 3 năm 2026). Gói miễn phí F0 bao gồm 500K ký tự mỗi tháng và không bao giờ hết hạn. Các container ngắt kết nối air-gapped chạy khoảng $47,424 mỗi năm cho 4.8 tỷ ký tự (cần đăng ký), đó là con số mà đội tuân thủ của bạn sẽ quan tâm. Streaming được hỗ trợ; nhân bản là Custom Neural Voice.

Chọn cái này nếu bạn cần tổng hợp giọng nói on-prem hoặc air-gapped, hoặc bạn là một doanh nghiệp dùng Microsoft. Bỏ qua nếu bạn không ở trên Azure và không cần các kiểm soát tuân thủ.

8. PlayHT: Thư Viện Giọng Đa Ngôn Ngữ Lớn Tốt Nhất

Sức hút của PlayHT là độ rộng: hơn 900 giọng nói, 142 ngôn ngữ, độ trễ Turbo dưới 300ms, và nhân bản tức thì từ một mẫu 3 đến 10 giây.

Đây là lời cảnh báo trung thực về giá. Theo trang giá của PlayHT (tính đến tháng 7 năm 2026), các gói có giá khoảng $39/tháng (Professional) đến $99/tháng (Premium/unlimited), và quyền truy cập API nằm ở các gói cao hơn và enterprise. Một mức giá API rõ ràng theo ký tự không được công bố, nên hãy xem bất kỳ con số mỗi phút nào (chúng tôi ước tính khoảng $0.07) đúng nghĩa là một ước tính. Streaming được hỗ trợ; nhân bản diễn ra tức thì từ một clip ngắn.

Chọn cái này nếu bạn muốn độ rộng giọng nói cho một sản phẩm hội thoại và ElevenLabs quá đắt. Bỏ qua nếu bạn muốn cách tính phí minh bạch trả-theo-ký tự.

9. OmniVoice: Tốt Nhất Khi Dữ Liệu Không Thể Rời Khỏi Máy Chủ Của Bạn

OmniVoice (từ đội ngũ k2-fsa) là Apache-2.0, $0 cho mỗi ký tự, 646 ngôn ngữ, và nhân bản zero-shot từ một clip ~3 giây, chạy hoàn toàn cục bộ. Chúng tôi đã đưa nó vào một bài kiểm tra thực chiến trên chính phần cứng của mình.

Hoàn toàn không có hóa đơn theo ký tự. Bạn trả tiền cho GPU và điện, không còn gì khác. Sự đánh đổi: OmniVoice là tổng hợp batch (hệ số thời gian thực khoảng 0.03), không phải streaming dưới 300ms, nên nó không phù hợp cho hội thoại trực tiếp. Nhân bản là zero-shot từ vài giây âm thanh tham chiếu. Để biết chi tiết cài đặt và ghi chú chất lượng, hãy đọc bài đánh giá thực chiến OmniVoice của chúng tôi.

Chọn cái này nếu bạn cần on-prem, HIPAA, ngôn ngữ hiếm, hoặc bạn ghét cách tính phí theo ký tự ở sản lượng rất cao. Bỏ qua nếu bạn cần độ trễ hội thoại thời gian thực.

Một API TTS Thực Sự Tốn Bao Nhiêu Mỗi Phút?

Một API text-to-speech có chi phí khoảng $0.004 đến $0.09 mỗi phút âm thanh được tổng hợp vào năm 2026. Rẻ nhất là Google Cloud và Amazon Polly Standard ở mức khoảng $0.004/phút; gpt-4o-mini-tts của OpenAI nằm ở khoảng $0.015/phút; các giọng hàng đầu của ElevenLabs chạm mức $0.09/phút. OmniVoice tự host là $0 cho mỗi ký tự.

Mọi con số mỗi phút ở đây đều là cách tính của chúng tôi, không phải số từ nhà cung cấp. Chúng tôi quy đổi giá cho mỗi 1 triệu ký tự thành chi phí mỗi phút bằng cách giả định ~900 ký tự mỗi phút (khoảng 150 từ mỗi phút của giọng nói tự nhiên). Chỉ một phép quy đổi đó thôi đã thay đổi cách bạn lập ngân sách: những người xây voice agent không lập ngân sách theo đô la trên mỗi triệu ký tự, họ lập ngân sách theo đô la trên mỗi phút thời gian nói. Đây là phép quy đổi mà không ai công bố.

$/phút là ước tính của chúng tôi (giá cho mỗi 1 triệu ký tự nhân với ~900 ký tự/phút). PlayHT tính phí theo thuê bao, nên con số của nó là một ước tính; OmniVoice là $0 cho mỗi ký tự (bạn chỉ trả tiền GPU và điện). Tuy nhiên, TTS chỉ là một khoản trong hóa đơn. Để có bức tranh đầy đủ, hãy xem phân tích chi phí voice agent full-stack của chúng tôi.

Chúng Tôi Học Được Gì Khi Đưa TTS Vào Voice Agent Production

Độ trễ công bố không phải độ trễ đo được. Trên một voice agent đặt bàn nhà hàng mà chúng tôi giao vào năm 2026, mức 75ms quảng cáo của ElevenLabs Flash là thật khi chạy riêng lẻ, nhưng trong pipeline của chúng tôi, một khi quá trình sinh token của LLM, các bước nhảy mạng và việc đệm âm thanh chồng lên trên, âm thanh đầu tiên mà người gọi nghe được rơi vào khoảng 300 đến 400ms. Khoảng cách đó chính là ranh giới giữa một lời hồi đáp tự nhiên và một khoảng lặng awkward.

Benchmark độc lập của Coval củng cố điều này. Nó đo Cartesia Sonic-3 ở mức khoảng 188ms P50 cho time-to-first-audio (IQR 100ms), ElevenLabs Turbo v2.5 gần 264ms, và Flash v2.5 gần 288ms, tất cả đều cao hơn các con số do nhà cung cấp công bố. Đó là lý do chúng tôi mặc định dùng các API streaming websocket (Cartesia, Deepgram) thay vì REST batch cho bất cứ thứ gì mang tính hội thoại. Cũng hãy để ý đến chỉ số: những byte đầu tiên mà một API streaming trả về là siêu dữ liệu container và header, không phải âm thanh phát được. Time-to-first-byte làm đẹp lòng nhà cung cấp; time-to-first-audio mới là thứ người gọi thực sự nghe thấy.

Bất ngờ về chi phí mà chúng tôi không lường trước: trên một line có sản lượng cao chạy ElevenLabs Multilingual v3 ($0.09/phút), một agent nói khoảng 40% của cuộc gọi sáu phút sẽ tổng hợp khoảng 2.4 phút âm thanh, xấp xỉ $0.22 mỗi cuộc gọi. Ở mức 1,500 cuộc gọi mỗi ngày, con số đó gần $9,700 mỗi tháng chỉ riêng TTS. Chuyển line đó sang gpt-4o-mini-tts ($0.015/phút) đã cắt nó xuống dưới $1,700. Và một cái bẫy đã cắn chúng tôi: mô hình phát âm sai tên nhà hàng của một khách hàng cho đến khi chúng tôi thêm một bí danh âm vị (phoneme alias), nên hãy dành ngân sách thời gian cho một từ điển phát âm trước khi ra mắt.

Bạn Có Thể Tự Host hoặc Chạy TTS Mã Nguồn Mở Không?

Có, và đó là một lựa chọn thực sự vào năm 2026, không phải một dự án khoa học. Tự host nghĩa là chạy mô hình trên chính GPU của bạn để âm thanh không bao giờ chạm vào API của bên thứ ba. Các lựa chọn mã nguồn mở chính là OmniVoice (646 ngôn ngữ, nhân bản zero-shot), Piper (nhanh, nhẹ, chạy tốt trên Raspberry Pi), Kokoro (nhỏ và chất lượng cao), và Coqui TTS đời cũ hơn.

Cũng có các con đường tự host được quản lý. Các container ngắt kết nối (air-gapped) của Azure và gói enterprise on-prem của Deepgram cho phép bạn chạy những giọng nói cấp nhà cung cấp bên trong mạng của chính mình mà không cần một triển khai mã nguồn mở thô.

Tự host thắng khi dữ liệu về mặt pháp lý không thể rời khỏi máy chủ của bạn (HIPAA, air-gapped), khi bạn cần các ngôn ngữ hiếm hoặc ít tài nguyên, hoặc khi cách tính phí theo ký tự trở nên tàn khốc ở sản lượng rất cao. Nó thua khi bạn cần độ trễ hội thoại thời gian thực hoặc bạn là một đội nhỏ không dư dả năng lực vận hành GPU. Với những trường hợp đó, một API streaming là câu trả lời rẻ hơn một khi bạn tính cả thời gian kỹ sư.

Làm Thế Nào Để Chọn Đúng API TTS?

Hãy chọn theo ràng buộc lớn nhất duy nhất của bạn, không phải theo một danh sách kiểm tra tính năng. Đây là cây quyết định nhanh mà chúng tôi dùng với khách hàng:

• Đang xây voice agent thời gian thực? Cartesia hoặc Deepgram (streaming websocket, độ trễ đo được thấp nhất).
• Chất lượng giọng nói không thể thỏa hiệp? ElevenLabs.
• Rẻ và đa ngôn ngữ? Google Cloud hoặc Amazon Polly.
• On-prem hoặc air-gapped? Container ngắt kết nối của Azure hoặc OmniVoice.
• Đã lún sâu vào một hệ sinh thái? OpenAI, AWS Polly, hoặc Google Cloud, bất kể cái nào khớp với stack hiện có của bạn.
• Cần thư viện giọng rộng nhất? PlayHT.

Hãy bắt đầu với ràng buộc có thể giết chết dự án nếu bạn làm sai. Tối ưu phần còn lại sau.

Cách Techsy Tiếp Cận Chuyện Này

Chúng tôi xây voice agent, chúng tôi không bán API TTS, đó chính xác là lý do chúng tôi có thể trung lập ở đây. Trong thực tế, chúng tôi chọn một TTS khác nhau cho từng khách hàng dựa trên ngân sách độ trễ, trần chi phí và các quy tắc tuân thủ của họ, rồi ghép nó vào agent hoàn chỉnh: speech-to-text, LLM, điện thoại, và lớp keo streaming ở giữa. Một line đặt bàn nhà hàng và một line phòng khám chịu ràng buộc HIPAA hiếm khi dùng cùng một engine tổng hợp.

Nếu bạn đang cân nhắc tự xây hay mua, chúng tôi xây voice agent production từ đầu đến cuối và có thể cho bạn biết TTS nào thực sự hợp với sản lượng cuộc gọi của bạn.

Về Tác Giả

Mert Batur Gurbuz là Đồng sáng lập, Techsy.io — University of Birmingham. Kết nối trên LinkedIn.

Mert Batur Gurbuz là Đồng sáng lập của Techsy.io, nơi đội ngũ giao các AI agent, hệ thống tự động hóa, và pipeline voice/SDR cho khách hàng B2B. Anh học tại University of Birmingham và viết về stack công cụ LLM mà đội Techsy thực sự dùng trong production.

Câu Hỏi Thường Gặp

API text-to-speech nào tốt nhất cho lập trình viên?

Tùy thuộc vào ràng buộc lớn nhất duy nhất của bạn. Để có chất lượng giọng hàng đầu, chọn ElevenLabs. Để có độ trễ thời gian thực thấp nhất, Cartesia. Để có âm thanh đa ngôn ngữ giá rẻ, Google Cloud hoặc Amazon Polly. Cho dữ liệu on-prem hoặc air-gapped, container ngắt kết nối của Azure hoặc OmniVoice tự host. Không có người thắng cuộc vạn năng.

API TTS nào có độ trễ thấp nhất cho voice agent thời gian thực?

Cartesia công bố time-to-first-audio từ 40 đến 90ms, ElevenLabs Flash công bố ~75ms, và Deepgram trích dẫn dưới 250ms. Nhưng công bố không phải đo đạc: benchmark độc lập của Coval đặt Cartesia Sonic-3 ở mức gần 188ms P50 và ElevenLabs Flash gần 288ms trong điều kiện thực tế. Với agent, hãy ưu tiên các API streaming websocket.

Một API text-to-speech tốn bao nhiêu mỗi phút âm thanh?

Khoảng $0.004 đến $0.09 mỗi phút vào năm 2026. Google và Polly Standard nằm ở khoảng $0.004/phút, OpenAI gpt-4o-mini-tts gần $0.015/phút, và các giọng cao cấp của ElevenLabs chạm mức $0.09/phút. Đây là ước tính của chúng tôi ở mức ~900 ký tự mỗi phút; OmniVoice tự host là $0 cho mỗi ký tự.

Có API text-to-speech miễn phí không? Gói miễn phí nào tốt nhất?

Có. Google Cloud cho 4 triệu ký tự Standard mỗi tháng (1 triệu cho mỗi loại giọng cao hơn), Amazon Polly cung cấp 5 triệu ký tự Standard và 1 triệu ký tự Neural trong 12 tháng, Azure F0 bao gồm 500K mỗi tháng vĩnh viễn, và Cartesia kèm theo ~27 phút mỗi tháng. OpenAI và Deepgram thì cho credit đăng ký thay thế.

API text-to-speech nào rẻ nhất?

Với một API được host, gpt-4o-mini-tts của OpenAI ở mức $0.015 mỗi phút là lựa chọn chất lượng rẻ nhất, trong khi Google Cloud và Amazon Polly Standard là $4 cho mỗi 1 triệu ký tự ($0.004/phút). Nếu bạn có thể chạy GPU, OmniVoice tự host có chi phí $0 cho mỗi ký tự, chỉ tốn tiền máy tính và điện của bạn.

Tôi có thể tự host một mô hình text-to-speech thay vì dùng API không?

Có. OmniVoice, Piper, Kokoro và Coqui là mã nguồn mở và chạy hoàn toàn cục bộ. Với dạng on-prem được quản lý, Azure cung cấp các container ngắt kết nối (air-gapped) và Deepgram cung cấp tự host cấp enterprise. Tự host đáng giá cho HIPAA, dữ liệu air-gapped, ngôn ngữ hiếm, hoặc sản lượng rất cao nơi cách tính phí theo ký tự gây đau ví.

Những API TTS nào hỗ trợ streaming hoặc websocket?

Cartesia, Deepgram, OpenAI, ElevenLabs và PlayHT đều hỗ trợ streaming, trong đó Cartesia và Deepgram thuần websocket và phù hợp nhất cho hội thoại trực tiếp. OmniVoice chỉ chạy batch, nên nó tổng hợp toàn bộ clip trước khi trả về âm thanh và không phù hợp cho voice agent thời gian thực.

OpenAI hay ElevenLabs có API TTS tốt hơn?

Khác việc. OpenAI thắng về giá và khả năng điều hướng (prompt cách một câu nên nghe ra sao) và nó đã có sẵn trong stack của bạn. ElevenLabs thắng về chất lượng giọng thô, thư viện lớn hơn và nhân bản tức thì. Với các agent hoàn chỉnh, hãy so cả hai với các lựa chọn điều phối trong bài phân tích nền tảng voice agent của chúng tôi.

Làm sao để nhân bản một giọng qua API TTS, và tôi cần clip dài bao nhiêu?

Độ dài clip khác nhau. ElevenLabs nhân bản tức thì từ bất kỳ voice ID nào, Cartesia và OmniVoice cần một mẫu khoảng 3 giây, và PlayHT muốn 3 đến 10 giây. Amazon Polly, Deepgram và Google Cloud chỉ dùng giọng có sẵn (Custom Neural Voice của Azure đòi hỏi một quy trình đăng ký chính thức).

Sự khác biệt giữa định giá theo ký tự và theo token/theo phút là gì?

Hầu hết API TTS tính phí theo ký tự của văn bản đầu vào, rất dễ dự đoán. gpt-4o-mini-tts của OpenAI thay vào đó tính phí theo token âm thanh đầu ra, nên chi phí bám theo độ dài của giọng nói được sinh ra, chứ không phải văn bản nguồn. Với voice agent, hãy quy đổi cả hai sang đô la trên mỗi phút thời gian nói để so sánh công bằng.

Nguồn

• Giá API ElevenLabs: https://elevenlabs.io/pricing/api (truy cập 2026-07-14)
• Giá Cartesia: https://cartesia.ai/pricing (truy cập 2026-07-14)
• Giá Deepgram: https://deepgram.com/pricing (truy cập 2026-07-14)
• Giá Amazon Polly: https://aws.amazon.com/polly/pricing/ (truy cập 2026-07-14)
• Giá API OpenAI: https://developers.openai.com/api/docs/pricing (truy cập 2026-07-14)
• Giá Google Cloud Text-to-Speech: https://cloud.google.com/text-to-speech/pricing (truy cập 2026-07-14)
• Giá Azure AI Speech: https://azure.microsoft.com/en-us/pricing/details/speech/ (truy cập 2026-07-14)
• OmniVoice (k2-fsa): https://github.com/k2-fsa/OmniVoice (truy cập 2026-07-14)
• Benchmark TTS độc lập của Coval: https://www.coval.ai/blog/best-text-to-speech-providers-in-2026-how-to-choose-(and-why-vendor-benchmarks-lie)/ (truy cập 2026-07-14)
• MarkTechPost, so sánh TTS dựa trên benchmark: https://www.marktechpost.com/2026/05/30/best-text-to-speech-tts-models-in-2026-a-benchmark-based-comparison/ (truy cập 2026-07-14)