2026 年開發者最適合的 9 款文字轉語音 API：真實延遲與每分鐘成本比較

2026 年最適合開發者的 9 款文字轉語音 API：真實延遲與每分鐘成本比較

對開發者來說，最好的文字轉語音 API 不是那個拥有最炫展示影片的，而是能在不燒垮你帳單的前提下達成延遲目標的那一個。我們這麼說，是因為我們就是在這些 API 之上打造語音代理的。上一季，Cartesia 的 Sonic-3 宣稱首音延遲（time-to-first-audio）為 40 到 90 毫秒，但 Coval 的獨立基準測試測出的真實 P50 約為 188 毫秒。價格從每 100 萬字元 4 美元到 100 美元不等。廠商的延遲數字很少能撐過一通真實的電話通話。所以這裡是一份 9 款文字轉語音 API 的誠實排名，附帶那些廠商在自己榜單上絕口不提的數字。

我們不賣 TTS API。我們是在這些 API 之上打造語音代理的，所以這份排名裡沒有我們想推銷的產品。先把範圍講清楚：本文談的是文字轉語音合成 API，也就是把文字轉成音訊的那一層，而非完整的語音代理平台或創作者影片工具。剛接觸這個領域嗎？先從什麼是 AI 語音代理讀起。

快速解答：最佳 TTS API 一覽

• 整體語音品質最佳： ElevenLabs（Flash 號稱約 75ms），是本文中最貴的選項，每百萬字元要價 50 至 100 美元。
• 性價比最高且整合最簡單： OpenAI gpt-4o-mini-tts，每分鐘音訊大約 0.015 美元。
• 即時語音代理延遲最低： Cartesia Sonic，原生串流 WebSocket，號稱首音延遲僅 40 至 90ms。
• 最便宜且可自建： Google Cloud 和 Amazon Polly 每百萬字元 4 美元；OmniVoice 自建則完全免費。

9 款最佳 TTS API 一覽

以下將所有 API 並列比較，並從開發者的角度進行排名，適用於將文字轉語音整合至應用程式或語音代理的情境。每分鐘費用為我們的估算值，並非廠商提供的數字（計算方式見表格下方）。

*每分鐘費用為我們的估算：每百萬字元價格乘以每分鐘約 900 字元（約每分鐘 150 詞）。非廠商數字。

我們如何排名（以及為什麼我們不賣 TTS API）？

我們權衡了五個要素：語音品質、延遲與串流支援、成本（按字元與按分鐘計費）、SDK 功能範圍，以及自架選項。我們在其中幾款工具上打造了生產環境的語音代理，因此排名反映的是適用程度，而非偏袒。沒有任何廠商付費置入。

這種中立性正是重點所在。你能找到的每一份「最佳 TTS API」清單，都是由 TTS 廠商撰寫、並把自己的產品排在第一。我們賣的是代理，不是語音合成，所以在這裡沒有任何需要推銷的東西。如果某款工具在價格、延遲或聲音複製方面表現較弱，我們會在它的「何時該略過」說明中直接指出。沒有稻草人，也沒有偏愛。

1. ElevenLabs：整體語音品質最佳

ElevenLabs 提供目前透過 API 所能買到的最自然合成語音，擁有龐大的語音庫，並支援以 voice ID 即時複製聲音。其 Flash v2.5 模型是即時運算選項。

根據 ElevenLabs 的 API 定價頁面（截至 2026 年 7 月），Flash 與 Turbo 的費用為每 100 萬字元 50 美元，Multilingual v2/v3 則為每 100 萬字元 100 美元，依我們估算約為每分鐘 0.045 至 0.09 美元。ElevenLabs 宣稱 Flash 的延遲約為 75 毫秒。串流可透過 REST 與 websocket 運作。從任何 voice ID 皆可即時複製聲音。

正在打造完整的電話語音代理人嗎？來看看它與 Vapi 和 Synthflow 等語音代理人平台的比較。

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

如果語音品質不容妥協、預算也不是你的首要考量，就選這個。如果每字元成本是障礙，那就跳過它，因為它是這裡最貴的選項。

2. OpenAI TTS：性價比最高、整合最簡單

如果你已經在呼叫 OpenAI API，OpenAI TTS 就是阻力最小的選擇。gpt-4o-mini-tts 模型新增了可控性，也就是說你可以用提示詞指定語氣該怎麼呈現（例如「像一位溫暖、有耐心的老師那樣說」），而不只是決定它要說什麼。

根據 OpenAI 的定價文件（截至 2026 年 7 月），tts-1 為每 100 萬字元 $15 美元，tts-1-hd 為每 100 萬字元 $30 美元，而 gpt-4o-mini-tts 的計費方式為每 100 萬文字 token $0.60 美元加上每 100 萬音訊 token $12 美元，換算下來大約是每分鐘音訊 $0.015 美元。支援串流播放。語音複製功能有限。

正在打造即時電話語音助理嗎？可以搭配 OpenAI 的 Realtime API 來建構語音助理。

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")

適合選它的情況： 你想要在既有的技術架構中取得便宜、夠用的音訊品質。不適合的情況： 你需要多種截然不同的聲音，或真正的語音複製功能。

3. Cartesia (Sonic)：超低延遲即時代理的最佳選擇

Cartesia 的 Sonic 是專為對話而打造的。它原生支援串流 websocket，並擁有我們在託管 API 中測得的最短首音延遲（time-to-first-audio）。

根據 Cartesia 的價格頁面（截至 2026 年 7 月），Startup 方案約為每 100 萬字元 39 美元（約每分鐘 0.035 美元），每月大約提供 20,000 個免費點數（約 27 分鐘的音訊）。Cartesia 宣稱 Sonic-3 的首音延遲為 40 到 90 毫秒。串流 API 原生採用 websocket，而在 Pro 方案中聲音複製可即時完成。以下是代理實際使用的模式，直接將 PCM 區塊串流傳送給來電者：

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

適合選擇的情況：你正在打造亞秒級的對話式語音代理。不建議選擇的情況：你不需要即時功能，且希望擁有更豐富的語音選擇。

4. Deepgram (Aura-2)：最佳的單一供應商 STT + TTS

Deepgram 是唯一一家能把語音機器人兩個環節都做好的供應商：聆聽（語音轉文字）與說話（TTS）。Aura-2 採用字元計費，並針對對話延遲進行最佳化。

根據 Deepgram 的價格頁面（截至 2026 年 7 月），Aura-1 為每 100 萬字元 15 美元，Aura-2 為每 100 萬字元 30 美元（約每分鐘 0.014 至 0.027 美元），並提供 200 美元的註冊額度，企業方案可自架部署。Deepgram 宣稱對話式 AI 的延遲低於 250 毫秒。支援串流；但不支援聲音複製，因此只能使用預設聲音。

適合你，如果你想用單一供應商搞定聆聽與說話的整個流程。不適合你，如果你需要聲音複製功能。

5. Google Cloud Text-to-Speech：多語言支援最廣、免費方案最佛心

Google Cloud Text-to-Speech 提供超過 380 種語音、涵蓋 50 種以上的語言，其免費方案也是原型開發中最慷慨的。

根據 Google Cloud 的定價頁面（截至 2026 年 7 月），Standard 與 WaveNet 為每 100 萬字元 4 美元，Neural2 為每 100 萬 16 美元，Chirp 3 HD 為每 100 萬 30 美元，Studio 則為每 100 萬 160 美元。免費方案每月提供 400 萬個 Standard 字元，但 WaveNet、Neural2 與 Chirp 3 HD 各僅有每月 100 萬，因此請確認你實際使用的語音類型。支援串流；不支援語音複製（自訂語音為另一項獨立產品）。

適合選擇：你需要大量語言且預算有限、並運行於 GCP 之上。建議跳過：你希望在不支付 Studio 每 100 萬 160 美元的情況下，獲得頂級的表現力音質。

6. Amazon Polly：無聊但可靠、規模化後最便宜的選擇

Amazon Polly 是可靠的勞動力：可預期、便宜，並與 AWS 深度整合。它非常適合 IVR 和交易型語音提示——這種場景不需要戲劇化的表現力，而是需要高可用率。

根據 AWS 的 Polly 定價頁面（截至 2026 年 7 月），Standard 為每百萬字元 $4 美元，Neural 為每百萬 $16 美元，Generative 為每百萬 $30 美元，Long-Form 為每百萬 $100 美元（約每分鐘 $0.004 至 $0.09 美元）。免費方案在前 12 個月內每月提供 500 萬個 Standard 字元和 100 萬個 Neural 字元。支援串流；不支援聲音複製。

**適合選擇它的情況：**你已在使用 AWS，且需要大量、可預期的 TTS。**應跳過它的情況：**你想要富有表現力、可複製的聲音。

7. Azure AI Speech：最適合合規與地端部署

Azure AI Speech 的差異化優勢不在於語音本身，而在於你可以將它們部署在哪裡：標準 Neural、Custom Neural Voice，以及適用於依法不得離開內部網路之資料的離線（氣隔）容器。

根據 Azure 的語音定價頁面（截至 2026 年 7 月），標準 Neural 的價格為每 100 萬字元 16 美元，Neural HD 則為每 100 萬字元 22 美元（已從 2026 年 3 月的 30 美元調降）。F0 免費層級每月提供 50 萬字元，且永不過期。離線氣隔容器每年約需 47,424 美元，可處理 48 億字元（需註冊申請），這個數字正是你的合規團隊會在意的。支援串流處理；語音複製則屬於 Custom Neural Voice 的功能。

適合選擇它的情況：你需要地端部署或氣隔式合成，或者你的團隊以 Microsoft 生態系為主。不適合的情況：你並未使用 Azure，也不需要合規管控功能。

8. PlayHT：最豐富的多語言語音庫

PlayHT 的吸引力在於其廣度：超過 900 種語音、142 種語言、低於 300 毫秒的 Turbo 延遲，以及只需 3 到 10 秒的樣本即可即時複製聲音。

以下是關於定價的誠實提醒。根據 PlayHT 的價格頁面（截至 2026 年 7 月），方案大約從**每月 39 美元（Professional）到每月 99 美元（Premium／無限制）**不等，而 API 存取則位於較高階及企業級方案。官方並未公布明確的每字元 API 費率，因此任何每分鐘的數字（我們估計約為 0.07 美元）都僅能視為估算值。支援串流播放；只需一段短音訊即可即時複製聲音。

**適合選擇它的情況：**你想要為對話式產品提供豐富的語音選擇，而 ElevenLabs 又太貴。**不適合的情況：**你想要透明的按字元計費、用多少付多少的方案。

9. OmniVoice：資料無法離開伺服器時的最佳選擇

OmniVoice（由 k2-fsa 團隊開發）採用 Apache-2.0 授權，每字元 0 美元，支援 646 種語言，可從約 3 秒的音訊片段進行零樣本複製，並完全在本機端運行。我們在自己的硬體上進行了實測。

完全沒有按字元計費的帳單。你只需支付 GPU 與電費，別無其他。代價是：OmniVoice 屬於批次合成（即時率約 0.03），而非低於 300 毫秒的串流處理，因此不適合即時對話。複製功能可從幾秒鐘的參考音訊進行零樣本處理。如需設定細節與音質說明，請參閱我們的 OmniVoice 實測評論。

適合選擇它的情況：你需要地端部署、符合 HIPAA 規範、支援稀有語言，或者你厭倦了在大量使用時按字元計費。不適合的情況：你需要即時對話的低延遲。

TTS API 每分鐘實際成本到底是多少？

文字轉語音（TTS）API 在 2026 年的合成音訊成本大約是每分鐘 0.004 美元到 0.09 美元。最便宜的是 Google Cloud 和 Amazon Polly Standard，約每分鐘 0.004 美元；OpenAI 的 gpt-4o-mini-tts 大約落在每分鐘 0.015 美元；ElevenLabs 的頂級語音則高達每分鐘 0.09 美元。自行託管的 OmniVoice 則是每字元 0 美元。

這裡所有的每分鐘數字都是我們自己算出來的，而不是廠商提供的數據。我們把每 100 萬字元的價格換算成每分鐘成本，假設每分鐘約 900 個字元（相當於自然語速每分鐘約 150 個字）。光是這一個換算方式，就會改變你的預算編列思維：語音代理的開發者不會用「每百萬字元多少美元」來編預算，而是用「每分鐘通話時間多少美元」來估算。以下是沒有人公開過的換算方式。

每分鐘數字是我們的估算值（每 100 萬字元的價格乘以每分鐘約 900 字元）。PlayHT 採訂閱制，因此其數字為估算值；OmniVoice 則是每字元 0 美元（你只需支付 GPU 和電費）。不過，TTS 只是其中一項成本而已。若要了解完整的全貌，請參閱我們的全端語音代理成本拆解。

將 TTS 接入生產環境語音代理後，我們學到的事

宣稱的延遲不等於實測的延遲。在我們 2026 年上線的一套餐廳訂位語音代理中，ElevenLabs Flash 宣傳的 75ms 在單獨測試時確實屬實，但在我們的管線中，一旦疊加上 LLM token 生成、網路跳轉與音訊緩衝，來電者聽到的第一段音訊實際上落在 300 到 400ms 左右。這段差距，正是自然回應與尷尬停頓之間的分野。

Coval 的獨立基準測試佐證了這一點。該測試測得 Cartesia Sonic-3 的首次音訊延遲（time-to-first-audio）P50 約為 188ms（IQR 100ms），ElevenLabs Turbo v2.5 約 264ms，Flash v2.5 約 288ms，全都高於廠商宣稱的數字。正因如此，凡是對話類場景，我們預設採用串流 WebSocket API（Cartesia、Deepgram），而非批次 REST。同時也要留意這個指標：串流 API 回傳的最初幾個位元組是容器與標頭中繼資料，並非可播放的音訊。首次「位元組」延遲會讓廠商數字好看；首次「音訊」延遲才是來電者真正聽到的。

有一筆我們沒編列進預算的成本意外：在一條使用 ElevenLabs Multilingual v3（約 $0.09/min）的高話量線路上，代理在通話中講話時間約佔六成通話時長的 40%，一通六分鐘的通話會合成約 2.4 分鐘的音訊，換算下來每通約 $0.22。以每天 1,500 通計算，光 TTS 一項每月就接近 $9,700。將該線路改用 gpt-4o-mini-tts（約 $0.015/min）後，費用降到 $1,700 以下。還有一個我們踩過的坑：模型一直把某客戶的餐廳名稱唸錯，直到我們加入了音素別名（phoneme alias）才解決，因此上線前請務必預留時間建立發音辭典。

你可以自行託管或執行開源 TTS 嗎？

可以，而且在 2026 年這是切實可行的選項，不是什麼實驗性專案。自行託管意味著在你自己的 GPU 上執行模型，讓音訊完全不經過第三方 API。主要的開源選擇包括 OmniVoice（支援 646 種語言、零樣本語音複製）、Piper（快速、輕量，在 Raspberry Pi 上表現出色）、Kokoro（小巧且高品質），以及較早期的 Coqui TTS。

也有託管式的自行託管方案。Azure 的離線（氣隙隔離）容器與 Deepgram 的企業級地端部署，讓你無需進行原始的開源部署，就能在自己的網路內執行廠商級品質的語音。

當資料依法不得離開你的伺服器（HIPAA、氣隙隔離環境）、需要稀有或低資源語言，或是按字元計費在極高用量下變得難以負荷時，自行託管就是更好的選擇。但當你需要即時對話的低延遲，或是團隊規模小、沒有多餘的 GPU 維運資源時，它就不那麼適合。對這些情況而言，一旦把工程時間的成本算進去，串流 API 才是更划算的解答。

如何選擇合適的 TTS API？

請根據你最大的單一限制條件來選擇，而不是對照功能清單。以下是我們與客戶合作時使用的快速決策樹：

• 正在打造即時語音代理？ Cartesia 或 Deepgram（串流 websocket，實測延遲最低）。
• 語音品質毫無妥協空間？ ElevenLabs。
• 便宜且支援多語言？ Google Cloud 或 Amazon Polly。
• 需要地端部署或氣隔環境（air-gapped）？ Azure 離線容器或 OmniVoice。
• 已經深度使用某個生態系？ OpenAI、AWS Polly 或 Google Cloud，選與你現有技術棧相符的那個。
• 需要最豐富的語音庫？ PlayHT。

先從那個一旦選錯就會讓專案失敗的限制條件著手，其餘的之後再最佳化。

Techsy 的做法

我們打造語音智能體，而非銷售 TTS API，正因如此，我們才能在此保持中立。實務上，我們會依據每位客戶的延遲預算、成本上限與合規要求，為其挑選不同的 TTS，再將其整合進完整的智能體：語音轉文字、LLM、電話系統，以及串接其間的流式管道。餐廳訂位專線與受 HIPAA 規範約束的診所專線，幾乎不會使用同一套語音合成引擎。

如果你正在評估自建還是採購，我們打造生產級語音智能體，提供端到端建置，能告訴你哪種 TTS 真正適合你的通話量。

關於作者

Mert Batur Gurbuz 是 Techsy.io 的共同創辦人——University of Birmingham。歡迎在 LinkedIn 上與他連結。

Mert Batur Gurbuz 是 Techsy.io 的共同創辦人，團隊為 B2B 客戶打造 AI 代理、自動化系統以及語音/SDR 流程。他就讀於 University of Birmingham，並撰寫 Techsy 團隊在生產環境中實際使用的 LLM 工具鏈相關文章。

常見問題

對開發者來說，最好的文字轉語音 API 是什麼？

這取決於你最大的單一限制條件。若追求頂級語音品質，選擇 ElevenLabs。若要最低的即時延遲，選 Cartesia。若要便宜的多語言音訊，選 Google Cloud 或 Amazon Polly。若要地端部署或完全離線的資料環境，選 Azure 離線容器或自行託管的 OmniVoice。沒有放諸四海皆準的贏家。

哪個 TTS API 的延遲最低，最適合即時語音代理？

Cartesia 宣稱首次發音延遲（time-to-first-audio）為 40 到 90 毫秒，ElevenLabs Flash 宣稱約 75 毫秒，Deepgram 則標榜低於 250 毫秒。但宣稱值不等於實測值：Coval 的獨立基準測試顯示，在真實環境下 Cartesia Sonic-3 的 P50 約為 188 毫秒，ElevenLabs Flash 約為 288 毫秒。對於語音代理，建議優先採用串流式的 websocket API。

文字轉語音 API 每分鐘音訊的成本是多少？

2026 年大約每分鐘 0.004 至 0.09 美元。Google 和 Polly Standard 約為每分鐘 0.004 美元，OpenAI gpt-4o-mini-tts 約為每分鐘 0.015 美元，ElevenLabs 的高階語音則可達每分鐘 0.09 美元。這些是我們以每分鐘約 900 個字元估算的結果；自行託管的 OmniVoice 則為每字元 0 美元。

有沒有免費的文字轉語音 API？哪個免費方案最好？

有的。Google Cloud 每月提供 400 萬個標準字元（較高等級的語音類型則各為 100 萬個），Amazon Polly 為期 12 個月提供 500 萬個標準字元與 100 萬個神經網路字元，Azure F0 永久每月提供 50 萬個，Cartesia 每月則包含約 27 分鐘。OpenAI 和 Deepgram 則改為提供註冊贈送額度。

最便宜的語音合成 API 是哪個？

就託管 API 而言，OpenAI 的 gpt-4o-mini-tts 每分鐘約 $0.015，是最便宜的優質選項；而 Google Cloud 和 Amazon Polly Standard 則為每百萬字元 $4（約每分鐘 $0.004）。如果你能跑 GPU，自建 OmniVoice 每字元 $0，只需負擔運算與電費。

我可以自行託管文字轉語音模型，而不使用 API 嗎？

可以。OmniVoice、Piper、Kokoro 和 Coqui 都是開源方案，可完全在本機端執行。若需要受管的內部部署方案，Azure 提供離線（氣隙）容器，Deepgram 則提供企業級自行託管服務。如果你需要符合 HIPAA 規範、處理氣隙隔離資料、支援罕見語言，或是用量極大導致按字元計費成本過高，那麼自行託管就值得考慮。

哪些 TTS API 支援串流或 WebSocket？

Cartesia、Deepgram、OpenAI、ElevenLabs 和 PlayHT 都支援串流，其中 Cartesia 和 Deepgram 原生支援 WebSocket，最適合即時對話場景。OmniVoice 僅支援批次處理，會先合成完整音訊片段再回傳音檔，因此不適用於即時語音代理。

OpenAI 和 ElevenLabs 的 TTS API 哪個比較好？

兩者各有所長。OpenAI 在價格與可控性（可透過提示詞指定語句該如何發聲）上勝出，而且它本來就在你的技術棧中。ElevenLabs 則在語音品質、更龐大的語音庫以及即時語音複製方面領先。若要打造完整的語音代理，建議將兩者與我們 語音代理平台比較 中的編排方案一併評估。

如何透過 TTS API 複製語音？需要多長的音訊片段？

所需片段長度各不相同。ElevenLabs 可透過任何語音 ID 即時複製；Cartesia 和 OmniVoice 需要約 3 秒的樣本；PlayHT 則需要 3 到 10 秒。Amazon Polly、Deepgram 和 Google Cloud 僅提供預設語音（Azure 的 Custom Neural Voice 則需經過正式的申請流程）。

按字元計費與按 token／按分鐘計費有什麼差別？

大多數 TTS API 是根據輸入文字的字元數來計費，這種方式很容易預估成本。而 OpenAI 的 gpt-4o-mini-tts 則是根據音訊輸出的 token 數計費，因此成本會隨著產生語音的長度變動，而非來源文字的長度。若要用於語音代理，建議將兩者都換算成每分鐘通話時間的美元成本，才能公平地比較。

參考資料

• ElevenLabs API 價格：https://elevenlabs.io/pricing/api （檢索日期 2026-07-14）
• Cartesia 價格：https://cartesia.ai/pricing （檢索日期 2026-07-14）
• Deepgram 價格：https://deepgram.com/pricing （檢索日期 2026-07-14）
• Amazon Polly 價格：https://aws.amazon.com/polly/pricing/ （檢索日期 2026-07-14）
• OpenAI API 價格：https://developers.openai.com/api/docs/pricing （檢索日期 2026-07-14）
• Google Cloud Text-to-Speech 價格：https://cloud.google.com/text-to-speech/pricing （檢索日期 2026-07-14）
• Azure AI Speech 價格：https://azure.microsoft.com/en-us/pricing/details/speech/ （檢索日期 2026-07-14）
• OmniVoice (k2-fsa)：https://github.com/k2-fsa/OmniVoice （檢索日期 2026-07-14）
• Coval 獨立 TTS 基準測試：https://www.coval.ai/blog/best-text-to-speech-providers-in-2026-how-to-choose-(and-why-vendor-benchmarks-lie)/ （檢索日期 2026-07-14）
• MarkTechPost，基於基準測試的 TTS 比較：https://www.marktechpost.com/2026/05/30/best-text-to-speech-tts-models-in-2026-a-benchmark-based-comparison/ （檢索日期 2026-07-14）