语音：25 个型号怎么选
分转文字和转语音两类。只放官方公布的价格与硬限制，准不准看海外权威评测。
11 / 14转文字 / 转语音型号¥14.3一小时录音转文字最贵40 倍转语音的价差2026-09-07复核截至
01
转文字、转语音多少钱
官方原价照抄
转文字很便宜，一小时录音 ¥1.26 到 ¥14.3；转语音的价差是实打实的 40 倍。
转文字 · 每分钟音频
人民币，以美元换算
转语音 · 每百万字符
人民币，以美元换算；按 token 计价的几档不在图里
02
型号与价格一览
这些分引用自海外权威评测机构的榜单，注明日期；我们自己负责的是把厂商官方公布的硬参数与价格采齐，并拿它去复核榜单。
| 型号 | 厂商 | 类别 | 计价口径 | 价格 |
|---|---|---|---|---|
 gpt-4o-mini-transcribe | OpenAI | 转文字 | 按分钟 | ¥0.02 / 分钟 |
| gpt-transcribe | OpenAI | 转文字 | 按分钟 | ¥0.03 / 分钟 |
| gpt-4o-transcribe | OpenAI | 转文字 | 按分钟 | ¥0.04 / 分钟 |
| whisper-1 | OpenAI | 转文字 | 按分钟 | ¥0.04 / 分钟 |
| gpt-4o-transcribe-diarize（分说话人） | OpenAI | 转文字 | 按分钟 | ¥0.04 / 分钟 |
| gpt-live-transcribe（实时） | OpenAI | 转文字 | 按分钟 | ¥0.12 / 分钟 |
| gpt-realtime-whisper（实时） | OpenAI | 转文字 | 按分钟 | ¥0.12 / 分钟 |
| gpt-realtime-translate（实时翻译） | OpenAI | 转文字 | 按分钟 | ¥0.24 / 分钟 |
 Cloud Speech-to-Text V2 动态批量识别 | 转文字 | 按分钟 | ¥0.02 / 分钟 | |
| Cloud Speech-to-Text V2 标准识别 | 转文字 | 按分钟阶梯 | ¥0.11 / 分钟 | |
 GLM-ASR-2512 | 智谱 | 转文字 | 官方未说明 | 官方未说明 |
| tts-1（低延迟） | OpenAI | 转语音 | 按字符 | ¥105 / 百万字符 |
| tts-1-hd（高质量） | OpenAI | 转语音 | 按字符 | ¥210 / 百万字符 |
| gpt-4o-mini-tts（官方推荐） | OpenAI | 转语音 | 按 token | ¥84 / 百万 token（音频输出） |
| Cloud TTS 标准语音 | 转语音 | 按字符 | ¥28 / 百万字符 | |
| Cloud TTS WaveNet 语音 | 转语音 | 按字符 | ¥28 / 百万字符 | |
| Cloud TTS Neural2 语音 | 转语音 | 按字符 | ¥112 / 百万字符 | |
| Cloud TTS Polyglot 语音 | 转语音 | 按字符 | ¥112 / 百万字符 | |
| Cloud TTS Chirp 3 高清语音 | 转语音 | 按字符 | ¥210 / 百万字符 | |
| Cloud TTS 即时自定义语音 | 转语音 | 按字符 | ¥420 / 百万字符 | |
| Cloud TTS Studio 语音 | 转语音 | 按字符 | ¥1,120 / 百万字符 | |
| Gemini 2.5 Flash TTS（预览） | 转语音 | 按 token | 输出 ¥70 / 百万音频 token | |
| Gemini 3.1 Flash TTS（预览） | 转语音 | 按 token | 输出 ¥140 / 百万音频 token | |
| Gemini 2.5 Pro TTS（预览） | 转语音 | 按 token | 输出 ¥140 / 百万音频 token | |
| GLM-TTS | 智谱 | 转语音 | 官方未说明 | 官方未说明 |
03
识别准不准、读得像不像
转文字看词错率和速度，转语音看真人盲选投票的分
语音转文字 · 词错率与速度
词错率越低越准；速度倍率越高越快，最准的往往不是最快的
| 型号 | 渠道 | 词错率 | 速度倍率 | 每千分钟 |
|---|---|---|---|---|
| Scribe v2 | ElevenLabs | 2.2% | 57× | ¥25.7 |
| MAI-Transcribe-1.5 | Microsoft Azure | 2.4% | 183.3× | ¥42 |
| Smallest AI Pulse Pro | Smallest.ai | 2.4% | 275.8× | ¥28 |
| MAI-Transcribe-1 | Microsoft Azure | 2.6% | 66.8× | ¥42 |
| Gemini 3.1 Pro Preview (High) | 2.8% | 7.1× | ¥127 | |
| Voxtral Small | Mistral | 2.8% | 66.2× | ¥28 |
| Gemini 3 Flash (High) | 2.9% | 16.6× | ¥95.9 | |
| Gemini 2.5 Pro | 2.9% | 13.3× | ¥79.7 | |
| Universal-3 Pro | AssemblyAI | 3.1% | 111.7× | ¥24.5 |
| Solaria-3, Gladia | Gladia | 3.2% | 62.8× | ¥71.1 |
| GPT Transcribe, OpenAI | OpenAI | 3.3% | 38.9× | ¥31.5 |
| Gemini 3.1 Flash-Lite Preview (Minimal) | 3.4% | 82.3× | ¥40.8 | |
| Resonant-1 | Reson8 | 3.4% | 306.8× | ¥25.2 |
| Qwen3.5 Omni Plus | Alibaba Cloud | 3.5% | 95.2× | ¥0.00 |
| Gemini 3.1 Pro Preview (Low) | 3.6% | 7.5× | ¥54 |
文字转语音 · 厂商音色
用各家自己的音色，比谁读得更像人
| 名次 | 型号 | Elo | 95% 区间 | 样本 | 发布 |
|---|---|---|---|---|---|
| 1 | Sonic 3.6Cartesia | 1285 | -17/17 | 1,768 | Aug 2026 |
| 2并列 2-3 |  Qwen-Audio-3.0-TTS-PlusAlibaba | 1240 | -14/14 | 2,230 | Jul 2026 |
| 3并列 2-3 | Simba 3.2SpeechifyAI | 1240 | -14/14 | 2,194 | Jul 2026 |
| 4并列 4-6 | Luna TTSVUI Labs | 1221 | -14/14 | 2,294 | Jun 2026 |
| 5并列 4-7 | Gemini 3.1 Flash TTSGoogle | 1212 | -12/12 | 3,553 | Apr 2026 |
| 6并列 4-9 |  StepAudio 2.5 TTSStepFun | 1208 | -14/14 | 1,954 | Jun 2026 |
| 7并列 5-9 | Sonic 3.5Cartesia | 1203 | -12/12 | 3,029 | May 2026 |
| 8并列 6-10 | Realtime TTS 1.5 MaxInworld | 1196 | -13/13 | 2,675 | Jan 2026 |
| 9并列 6-11 | Lightning V3.1 Pro (Jul 2026)Smallest.ai | 1195 | -15/15 | 1,783 | Jul 2026 |
| 10并列 8-12 | Realtime TTS-2 - Research PreviewInworld | 1187 | -12/12 | 2,779 | May 2026 |
| 11并列 10-13 | Soniox TTS Real-Time v2Soniox | 1183 | -11/11 | 5,611 | Aug 2026 |
| 12并列 10-13 |  Eleven v3ElevenLabs | 1179 | -11/11 | 4,432 | Feb 2026 |
| 13并列 11-13 |  Speech 2.8 HDMiniMax | 1173 | -11/11 | 4,548 | Feb 2026 |
| 14并列 14-19 | Falcon 2Murf AI | 1154 | -15/15 | 1,482 | Jul 2026 |
| 15并列 14-19 | Gradium TTS BetaGradium | 1153 | -15/15 | 1,469 | Jul 2026 |
海外权威评测 · 2026-08-20 · 榜上共 99 个，这里列前 15 个 · 「并列」是来源自己给的名次区间，表示这几名统计上分不出高下 · 与本站自采的厂商官方参数不是一套口径，不能直接比
04
逐个接口细看
文件大小、时长、格式按接口给，同一接口下的型号共用一套
01OpenAI 语音转文字接口8 个型号 · 转文字⌄
它是什么把录好的音频转成文字，也能识别是谁在说话。
官方写明的硬限制· 单个文件不超过 25MB，超了要压缩或切成 25MB 的片段· 支持格式 mp3、mp4、mpeg、mpga、m4a、wav、webm· whisper-1 官方写明支持 98 种语言，但各语言准确率不同· 带时间戳的参数只有 whisper-1 支持
官方自己承认做不好的· 官方写明这个接口不适合持续到达的实时音频（麦克风、通话、媒体流），那种要改用实时转写接口· whisper-1 的提示词上限只有 224 token，官方写明可控性不如新模型· 这个接口的翻译功能官方写明「只支持翻译成英文」· 官方写明对生僻词与缩写的识别仍需额外手段改善
型号与价格· gpt-4o-mini-transcribe：¥0.02 / 分钟· gpt-transcribe：¥0.03 / 分钟· gpt-4o-transcribe：¥0.04 / 分钟· whisper-1：¥0.04 / 分钟· gpt-4o-transcribe-diarize（分说话人）：¥0.04 / 分钟· gpt-live-transcribe（实时）：¥0.12 / 分钟· gpt-realtime-whisper（实时）：¥0.12 / 分钟· gpt-realtime-translate（实时翻译）：¥0.24 / 分钟
我们是怎么核的限制取自语音转文字指南，价格取自 OpenAI 定价页，两页均已复核
02OpenAI 文字转语音接口3 个型号 · 转语音⌄
它是什么把文字读成语音，可以控制口音、情绪、语调与语速。
官方写明的硬限制· 内置 13 种声音，tts-1 与 tts-1-hd 可选的更少· 输出格式 MP3（默认）、Opus、AAC、FLAC、WAV、PCM· 自定义声音每个组织最多建 20 个，样本录音必须在 30 秒以内· 样本录音格式限 mpeg、wav、ogg、aac、flac、webm、mp4
官方自己承认做不好的· 官方写明声音「目前是针对英语优化的」，尽管支持多语言· 自定义声音只对符合条件的客户开放· 官方写明可用的声音取决于您选的型号
型号与价格· tts-1（低延迟）：¥105 / 百万字符· tts-1-hd（高质量）：¥210 / 百万字符· gpt-4o-mini-tts（官方推荐）：¥84 / 百万 token（音频输出）
我们是怎么核的限制取自文字转语音指南，价格取自 OpenAI 定价页，两页均已复核
03Google Cloud Speech-to-Text2 个型号 · 转文字⌄
它是什么按处理成功的音频量计费的语音识别服务，分标准识别与动态批量识别两档。
官方写明的硬限制· 标准识别按阶梯计价：前 50 万分钟 $0.016 / 分钟，50 万到 100 万 $0.01，100 万到 200 万 $0.008，200 万以上 $0.004· 每个请求的时长按 1 秒为增量向上取整· 旧版 V1 接口：开数据日志 $0.016 / 分钟，不开 $0.024 / 分钟，医疗口录 $0.078 / 分钟，均含每月 60 分钟免费额度
官方自己承认做不好的· 官方写明导致服务器错误的请求不算成功处理，因此不收费 —— 换句话说失败是常态之一，要自己做重试· 音频时长上限、格式这些硬限制，定价页没写，待采集
型号与价格· Cloud Speech-to-Text V2 动态批量识别：¥0.02 / 分钟· Cloud Speech-to-Text V2 标准识别：¥0.11 / 分钟
我们是怎么核的2026-09-06 采集自官方定价页；2026-09-07 复核时该页正文被截断，未能二次核对数字
04Google Cloud Text-to-Speech 与 Gemini TTS10 个型号 · 转语音⌄
它是什么把文字读成语音。Cloud 侧的传统音色按字符计费，Gemini 侧的新音色按 token 计费。
官方写明的硬限制· 按字符计费的档位含免费额度：标准语音与 WaveNet 每月前 400 万字符免费，Chirp 3 高清、Neural2、Studio、Polyglot 每月前 100 万字符免费，即时自定义语音无免费额度· Gemini 侧按 token 计费，官方注明每秒音频约合 25 个音频 token· Gemini TTS 单次会话的上下文上限是 32k token，官方写明超过几分钟后质量与一致性会开始漂移· 内置 30 种语音，支持 90 多种语言，音频输出为 24kHz、16 位、单声道 PCM
官方自己承认做不好的· 官方写明输出「不一定严格符合所选的发音人」· 输出较长时质量会漂移· 官方写明偶发的文本 token 返回会导致 500 错误，要自己写重试逻辑· 提示词模糊时可能触发误判拒绝，或者让模型把指令本身读出来· Gemini TTS 只能接受文字输入、只能输出音频
型号与价格· Cloud TTS 标准语音：¥28 / 百万字符· Cloud TTS WaveNet 语音：¥28 / 百万字符· Cloud TTS Neural2 语音：¥112 / 百万字符· Cloud TTS Polyglot 语音：¥112 / 百万字符· Cloud TTS Chirp 3 高清语音：¥210 / 百万字符· Cloud TTS 即时自定义语音：¥420 / 百万字符· Cloud TTS Studio 语音：¥1,120 / 百万字符· Gemini 2.5 Flash TTS（预览）：输出 ¥70 / 百万音频 token· Gemini 3.1 Flash TTS（预览）：输出 ¥140 / 百万音频 token· Gemini 2.5 Pro TTS（预览）：输出 ¥140 / 百万音频 token
我们是怎么核的按字符的价格 2026-09-06 采集自 Cloud 定价页，2026-09-07 复核时该页正文被截断，未能二次核对；Gemini 侧的 token 价格已在 Gemini API 定价页复核。采集稿写 Gemini 2.5 Flash TTS 文本输入 $0.50 / 百万 token，复核时定价页写的是免费，以复核为准
05智谱 GLM-ASR-25121 个型号 · 转文字⌄
它是什么官方描述它把语音实时转成文字，支持多语言与流式转录。
官方写明的硬限制· 音频时长不超过 30 秒· 文件大小不超过 25MB· 文件格式 wav 与 mp3
官方自己承认做不好的· 官方未列做不好的地方，页面只给了自家测出的字符错误率 0.0717。厂商自测的分数只能当参考，不同录音条件下差别很大
型号与价格· GLM-ASR-2512：官方未说明
我们是怎么核的限制取自官方模型页；价格官方在另一个定价页，本轮未采集
06智谱 GLM-TTS1 个型号 · 转语音⌄
它是什么官方描述它把文字转成自然语音，支持多种声音、情感控制与语调调整。
官方写明的硬限制· 输入文本上限 1024 字符· 音色 7 种：彤彤、锤锤、小陈，以及四个动物圈音色· 非流式输出支持 wav 与 pcm，流式只支持 pcm· 语速 0.5 到 2 倍，音量大于 0 到 10，建议采样率 24000
官方自己承认做不好的· 官方未在这一页列出做不好的地方
型号与价格· GLM-TTS：官方未说明
我们是怎么核的限制取自官方接口文档；价格该页未列
05
官方说 vs 实际上
独立测试和官方数字并排放，出处见来源清单
「3 秒克隆音色、以假乱真」，产品页不会告诉您这项能力正被大规模用于诈骗。
| 官方说 | 独立测试 | 用户实际反馈 | 差在哪、为什么 |
|---|---|---|---|
| 3 秒克隆音色，以假乱真 | 未见针对「以假乱真」本身的独立技术测评 | FBI《2025 互联网犯罪报告》：AI 相关欺诈投诉超 2.2 万起、损失超 8.93 亿美元，语音克隆列为重点新兴威胁 | 厂商不会披露能力被滥用的规模，数字来自执法机构 |
它确实能做到：配音、有声读物、客服播报这类有授权的场景，克隆音色确实好用；前提是拿到声音主人的明确同意。
06
来源清单
7 条，厂商官方文档与定价页
逐条摊开，每条附原文链接⌄
厂商官方文档与定价页 · 7 条
- https://developers.openai.com/api/docs/guides/speech-to-text↗
- https://developers.openai.com/api/docs/guides/text-to-speech↗
- https://cloud.google.com/speech-to-text/pricing↗
- https://cloud.google.com/text-to-speech/pricing↗
- https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512↗
- https://docs.bigmodel.cn/api-reference/模型-api/文本转语音.md↗
- https://www.click2houston.com/news/local/2026/06/02/fbi-warns-of-ai-voice-cloning-scam-that-mimics-loved-ones-in-distress/↗
您该怎么办
转文字的活，先用您自己的真实录音试，别看通用准确率。口音、方言、行业术语、背景噪音这四样差距最大，榜单给的只是一个综合词错率。
转语音相反，价差是实打实的 40 倍。量大时先按每百万字符的价挑，再确认音色的商用授权。