AI 语音合成价格对比：按字符数、按分钟还是按 token

语音合成的定价页是 AI 服务里最不容易读的一类。同一个功能，各家给出的单位完全不一样：有的写「每 100 万字符 15 美元」，有的写「每 100 万 token 0.6 美元」，有的只写「每月 121,000 积分」，还有的写「每分钟 0.17 美元」。

这些单位表面上都指向「多少钱」，实际上指向的是四件不同的东西：字符衡量你提交的文本量，token 衡量模型内部处理的最小单位，积分是厂商自己定义的代币，分钟衡量最后产出的音频长度。文本量和音频长度之间隔着一个变量——语速。语速一变，两者就脱钩。

这篇要做的就是把它们折算到同一把尺上：先用「生成 100 万字符语音」和「生成 10 小时成品音频」两个场景把五家拉平，再算出官方页面从来不会写的那件事——按字符买和按分钟买，交叉点在哪一个语速上。数据于 2026 年 9 月 24 日重新核对各家官方定价页与官方文档。

本文方法：官方公开数据交叉核对，未做本地实测。所有数字均标注来源，核对日期见文末。

一、三种计价单位，五家全表

下面这张表把五家厂商的官方报价按计价单位分类列出。同一家厂商可能同时存在多种单位——OpenAI 的 tts-1 按字符卖，新一代的 gpt-4o-mini-tts 却按 token 卖，两者并列在同一份定价文档里。

读这张表时要注意两件事。第一，同一家厂商内部的单位也可能不统一：OpenAI 把 tts-1 和 gpt-4o-mini-tts 放在同一份定价文档里，前者按字符卖，后者按 token 卖。第二，Google 和 Azure 的价格表是分档的，档位名字对应音质而不是用量——Google 的 Studio 语音 $160/100 万字符是 WaveNet 的 40 倍，Azure 的自定义语音 $24/100 万字符是标准神经语音的 1.6 倍。这些是音质溢价，不是规模折扣。

免费额度也完全不同。Google 给 WaveNet 和 Standard 语音每月 400 万字符免费额度，给 Neural2、Chirp 3 HD、Studio 每月 100 万字符免费；Azure 免费层 F0 是每月 50 万字符；ElevenLabs 免费档每月 10,000 credits。按 Google 的 400 万字符免费额度换算，等于每月约 4,000 分钟、也就是 66 小时的音频不花钱——这个额度在低频场景下足以覆盖全部需求，而它在定价页上只是一行小字。

二、折算到同一把尺：100 万字符要花多少钱

把上表的每字符报价直接读出来，再把 token 和积分两栏折算成每 100 万字符，就能得到一张可比的图。折算规则是：Google 官方 token 文档写明「一个 token 约等于 4 个字符」，也写明音频的 token 速率是每秒 32 个 token；积分栏按 ElevenLabs 自己的套餐换算（121,000 credits 对应约 121 分钟，即 1 credit 对应 1 个字符），Cartesia 按同样口径折算。

这张图里有三个值得单独说的数字。

Gemini 2.5 Flash TTS 折算后约 $19.33。算法是：100 万字符 ÷ 1,000 字符/分钟 = 1,000 分钟音频；1,000 分钟 × 60 秒 × 32 音频 token/秒 = 192 万音频 token，按 $10/100 万 token 计为 $19.20；文本输入侧 100 万字符约 25 万 token，按 $0.50/100 万 token 计为 $0.125。合计 $19.33。这个价格落在 Azure 神经语音（$15）和 Chirp 3 HD（$30）之间，说明 token 计价并不必然更贵或更便宜，只是换了一把尺。

ElevenLabs 折算后约 $165 到 $182。它是这张图里最贵的一档，但要注意这里比的是同一份文本。ElevenLabs 的积分是按文本消耗的，而它的定价页把套餐额度同时标成积分和分钟两种读法——Creator 档写「121k credits」，隔壁一栏写「约 121 分钟」。121,000 ÷ 121 = 1,000，这就是 ElevenLabs 自己给「一分钟」下的定义：1,000 个字符。

最贵与最便宜的差 45.5 倍。$181.82 ÷ $4.00 = 45.5。这个倍数里，音质、语言支持、声音克隆能力都占了份额，但如果只看账单，同一份文本在不同厂商之间的成本差已经超过一个数量级。

三、第二个场景：10 小时成品音频

第一个场景比的是「同一份文本」，第二个场景反过来——固定音频时长，看文本量随语速变化时各家的账单怎么动。10 小时 = 600 分钟。这里要引入一个真实变量：语速。英语正常朗读大约每分钟 150 个词，按每个词 6.5 个字符（含空格）算约 975 个字符；中文正常朗读大约每分钟 240 到 300 个汉字。本文取英语 1,000 字符/分钟、中文 250 字符/分钟两个口径。

这张表最重要的不是排名，而是两列之间的关系。凡是「计费驱动量 = 文本量」的方案，成本随语速线性变化：语速从 1,000 降到 250 字符/分钟，文本量降到四分之一，成本也降到四分之一。凡是「计费驱动量 = 音频时长」的方案，成本对语速完全不敏感，两列数字一模一样。

这里出现了全文最反直觉的一条：token 计价在行为上属于「按分钟」，不属于「按字符」。原因在于 token 计价的输出侧按音频 token 收费，而音频 token 只跟音频长度有关——1 秒音频就是 32 个 token，你输入的是 500 字还是 2,000 字，它都只跟最后生成的那段语音有多长有关。文本输入侧虽然按 token 收费，但单价只有输出侧的 1/20（$0.50 对 $10.00），在总成本里几乎不占位置。

把这个规律和第一张表对照，会得到一个有用的判断方法：如果你的内容是「文本量固定、时长可变」（比如同一篇稿子用不同语速朗读），按字符买更可控；如果你的内容是「时长固定、文本量可变」（比如定时长的播客、有声书章节），按分钟或 token 买更可控。

四、交叉点：什么时候按字符买，什么时候按分钟买

官方页面不会告诉你的一件事是：按字符和按分钟这两种买法之间存在一个由语速决定的交叉点，而这个点是可以算出来的。设 c 为每字符单价（美元），m 为每分钟单价（美元），r 为语速（字符/分钟）。生成同一份内容时：

• 按字符买，成本 = 字符总数 × c，与语速无关
• 按分钟买，成本 = （字符总数 ÷ r）× m，语速越慢，需要的分钟越多，成本越高
• 令两者相等，得到交叉语速 r* = m ÷ c
• 语速 低于 r*（说得慢、每分钟字数少）时，按字符买更便宜；语速 高于 r* 时，按分钟买更便宜

方向容易记反，可以用一个极端例子验证：假设语速慢到每分钟只读 1 个字，那么 100 万字要读 100 万分钟，按分钟买会贵到离谱，按字符买则还是那笔固定支出。所以慢语速一定站在按字符这一边。

把各家的实际报价代入 r* = m ÷ c，得到下面这张阈值表。

三行结论值得展开。

第一行说明 ElevenLabs 自己的两种报价是自洽的。r* = 303 字符/分钟。ElevenLabs 官方隐含的语速是 1,000 字符/分钟，远高于 303，所以对它的用户来说，$0.05/分钟这个低延迟报价比按积分买更便宜——大约便宜 3.3 倍（$0.165/分钟 ÷ $0.05/分钟）。这也解释了为什么这个报价被放在 Business 档：它是给高频、大批量、已经谈过价的客户准备的，而不是给 Creator 档用户的折扣。

第二行是唯一一个「英语和中文结论相反」的组合。Google Studio 的 $0.00016/字符 是这张表里最贵的字符单价，只有它能把交叉点压到 312.5 字符/分钟这么低。英语正常朗读约 1,000 字符/分钟，高于 312.5，所以 $0.05/分钟赢；中文正常朗读约 250 字符/分钟，低于 312.5，所以按字符买反而赢。这是全文里唯一一处「换语言就换结论」的地方，原因是中国用户读同样时长只需要大约四分之一的字符数。

最后一行说明阈值高到什么程度就没意义了。Azure 神经语音的 $0.000015/字符 对应 r* = 3,333 字符/分钟，而正常朗读最快也就 1,000 出头。按 1,000 字符/分钟折算，Azure 是 $0.015/分钟，对 ElevenLabs 的 $0.05/分钟便宜 3.3 倍——这个结论在任何现实语速下都成立，因为 r* 已经高到不可能达到。当 r* 明显超过 2,000 字符/分钟时，可以认为这家厂商的字符单价已经低到不需要再考虑按分钟买。

五、三个比价时容易踩的坑

六、按场景怎么选

• 文本量大、时长不重要、成本最敏感（比如批量把商品描述转成语音）：Google WaveNet 的 $4/100 万字符 是这张表里的地板价，且每月前 400 万字符免费。折算成每分钟只要 $0.004。
• 需要标准商用音质、又不想上自定义语音：Azure Neural 和 OpenAI tts-1 都是 $15/100 万字符，Google Neural2 是 $16，三家在同一档位。这个价位对应的是「正常朗读质量」，不是「真人级」。
• 时长固定、文本量随语速变化（比如固定 30 分钟的播客、有声书章节）：优先看按分钟或 token 计费的方案。Gemini 2.5 Flash TTS 折合约 $0.019/分钟，且不随语速变化；ElevenLabs Business 的 $0.05/分钟报价也属于这一类。
• 需要声音克隆：价格台阶会陡增。Google Chirp 3 的即时自定义语音是 $60/100 万字符，Azure Custom Voice Professional 是 $24/100 万字符（Neural HD 版 $48）。两者都不含训练成本——Azure 的自定义语音还要另付模型训练费（$52/计算小时，单次最高 $936）和端点托管费（$4.04/模型/小时），这两笔在按字符单价里是看不到的。
• 中文内容：注意语速差异会改变结论。中文正常朗读约 250 汉字/分钟，是英语的四分之一左右，所以在按字符计费的方案上，同样时长的中文内容成本只有英语的四分之一。反过来，在按分钟计费的方案上，中英文成本完全一样。
• 已经在用 ElevenLabs、月用量稳定：先在 Pro（$99/60 万 credits）和 Business（$990/600 万 credits）之间比每 1,000 credits 的单价，两档都是 $0.165，没有规模折扣；真正的折扣只在 Business 的 $0.05/分钟低延迟报价上。这个报价对应 r* = 303 字符/分钟，对英语和中文内容都划算。

把这篇的方法收束成一句：语音合成的账单有两个自变量——文本量和音频时长，而厂商只会告诉你其中一个。Google 和 Azure 卖的是文本量，ElevenLabs 和 Cartesia 的积分本质上也是文本量，OpenAI 的 gpt-4o-mini-tts 和 Gemini TTS 卖的是时长。选型时先确认自己的用量更像哪一种，再去比单价，否则算出来的倍数差都是假的。

本站的语音类横评用的是同一套折算方法：转写方向（音频变文字）的单位混乱程度不比合成低，见 AI 语音转写工具价格对比。编程工具的席位计费是另一个单位不可比的典型，见 AI 编程工具订阅价格全盘点。