做视频、做有声内容、做AI应用的朋友，这两年最直观的感受是：AI配音已经从"能听"进化到"能演"了。目前，ElevenLabs、MiniMax、Fish Audio 三大语音模型的五个版本能力，均可开通使用——海外一线模型能力，国内直连、稳定合规地出音频。本文按通用产品视角把每个版本的能力讲清楚，附官方刊例价（元/万字符），一篇看完不踩坑。

一、全局：三大模型、五个版本、一张表看懂

一句话总结：ElevenLabs赢在表现力，MiniMax赢在语言覆盖和均衡，Fish Audio赢在性价比和工程参数的自由度。

以上均为官方刊例价（目录价）。实际开通存在渠道优惠空间，具体折扣请与我们的服务团队单独沟通，按你的实际用量核算。

二、ElevenLabs：多语言版与实时版两条产品线

2.1 multilingual_V2 / V3：质感担当

Multilingual v2 是ElevenLabs的"老牌旗舰"，2023年8月发布至今仍是很多专业制作人的默认选择：

• 29种语言，支持中英日韩法德西等主流语种；

• 单次请求最长10000字符，长文本生成的稳定性是它最大的标签——一章有声书从头到尾音色、节奏不掉链子；

• 音色自然度和一致性在长内容场景里至今没有明显短板。

Eleven multilingual v3 则是2025年6月发布、现已正式可用的新一代模型，核心词是"表现力"：

• 70+种语言
  ，覆盖面直接翻倍；

• 支持内联音频标签，你可以像导演一样在文本里写指令：[whispers]（耳语）、[laughs]（笑）、[sighs]（叹气）、[excited]（兴奋），情绪、语气、甚至音效都能标注；

• 支持对话模式（Dialogue Mode），多说话人一起生成，角色之间能自然接话、打断，做广播剧、播客对谈直接一步到位；

• 代价是：单次3000字符限制、延迟较高，不适合实时场景，但离线精品内容的上限是全行业最高的。

怎么选：做有声书、纪录片、影视级配音，要稳定长文本选V2；要戏剧张力、多角色对话、情绪表演，选V3。

2.2 turbo_V2/V2.5、flash_V2/V2.5：实时场景担当

这两个系列是同一个思路的两种取向：

关键结论：

1. V2.5这一代补齐了日语、韩语、中文
   ，是英语项目之外唯一值得考虑的版本；

1. Flash和Turbo音质已经非常接近，官方自己也建议优先Flash——更快、更便宜；

1. Flash v2.5单次支持40000字符，做长文本实时合成也没压力；

1. 典型场景：AI客服、语音Agent、直播互动、游戏NPC实时对话。

我们提供的ElevenLabs资源，国内网络直连，省去海外账号、支付和链路稳定性的全部麻烦。

三、MiniMax：turbo与hd的双版本哲学

MiniMax的Speech系列是国产TTS里国际声望最高的一档——Speech-02发布时曾登上Artificial Analysis竞技场第一。每个代次都出turbo和hd两个版本，逻辑非常清晰：

3.1 三代演进：02 → 2.6 → 2.8

Speech 02（turbo / hd）

• hd：更强复刻相似度、高保真音质，适合有声书、广告、长内容；

• turbo：低延迟（约300ms内）、节奏稳定性好，适合实时交互、客服助手；

• 24种语言、7种情绪控制、300+预置音色；

• 声音克隆：10秒参考音频、99%相似度；

• 支持异步长文本，单次可处理长达20万字符，整本书排队能跑完。

Speech 2.6（turbo / hd）

• 语言数扩展到40种，7种情绪保留；

• hd主打"极致相似度、超高质量"，turbo主打"极致性价比、低延迟"。

Speech 2.8（turbo / hd）（2026年1月发布，当前最新）

• 最重要的新特性：原生声音标签（Sound Tags）——在文本里直接写(laughs)（笑）、(sighs)（叹气）、(gasps)（惊讶吸气）、(chuckle)（轻笑）、(clears throat)（清嗓子）等，AI会真的"演"出来；

• 引入口语化的"不完美"：会呼吸、会停顿、会犹豫，解决AI配音"太完美所以假"的老问题；

• 智能文本规范化
  ：URL、邮箱、日期、数字自动正确读出，做资讯类配音很省心；

• turbo版端到端延迟低于250ms，实时对话不卡顿；

• 40种语言、7种情绪，价格与2.6持平——加量不加价。
  

3.2 turbo和hd到底怎么选

• hd
  ：音质优先。复刻相似度更高、情感细节更细腻，适合有声书、影视配音、品牌音频这类"要出片"的场景。刊例价 3.5元/万字符。

• turbo
  ：速度和成本优先。适合语音助手、智能客服、高并发的批量生成。刊例价 2元/万字符。

一个简单的判断：音频是最终交付物就选hd，音频只是流程中间件就选turbo。

四、Fish Audio：AI配音，把控制权给到工程师

Fish Audio以"sdk&API"的形态直接提供。

模型与刊例价

• 可指定模型：tts-f-s2.1-pro（默认）、tts-f-s2-pro、tts-f-s1；

• 刊例价 1.14元/万字符，五个版本中最低。

能力清单

• 24种已支持语言
  ：中文（普通话）、粤语、英语、日语、韩语、法语、德语、西班牙语、葡萄牙语、俄语、阿拉伯语、印地语、泰语、越南语、印尼语、土耳其语、波兰语、乌克兰语等——中英日韩+东南亚+欧洲主要语种基本齐了，粤语音色是加分项；

• 情绪标签系统
  ：支持20多种常用情绪标签，[happy]、[sad]、[angry]、[excited]、[calm]、[nervous]、[confident]、[surprised]、[satisfied]、[delighted]、[scared]、[worried]、[moved]、[proud]、[relaxed]、[grateful]、[curious]、[sarcastic]（毒舌）……甚至[embarrassed]（尴尬）、[empathetic]（共情）这种细分情绪都有，还支持自定义标签，做小说推文、有声剧的情绪颗粒度非常细；

• 工程参数自由度
  ：
• 语速0.5～2.0可调（默认1.0），音量(0,10]可调（默认1.0）。
• 支持指定音频时长
  ：做广告口播、栏目片头这种"必须卡在X秒"的场景是刚需功能；
• 采样率：8000～44100Hz可选（默认16000）——从电话线路到高保真母带都能覆盖；
• 输出格式：wav / mp3 / opus（默认wav）；

一句话：Fish Audio是把"配什么音、配多长、什么格式、什么情绪"都做成参数的那一个，接进自动化流水线最顺手，刊例价也是五个版本里最低的。

五、横向对比与选型建议

5.1 场景速查表

5.2 成本体感（按刊例价）

一条3分钟的视频口播大约600-800字，按最低档刊例（Fish Audio 1.14元/万字符）算，成本不到0.1元；即使按ElevenLabs最高档刊例（7.5元/万字符），也只有几毛钱。对内容团队来说，TTS的成本焦虑基本可以翻篇了——真正该花心思的是文案和声音设计。

5.3 几个容易被忽略的点

1. 子版本不是越新越好，而是越合适越好
   ：v3表现力强但不适合实时；2.8新但02在部分语种的稳定性久经考验；

1. 采样率按用途选
   ：做电话客服8000/16000够用，做音乐级内容上44100；

1. 情绪标签要"导演思维"
   ：标签写得越具体（比如连用[happily][shouts]），效果越好，纯靠模型自动判断的天花板有限。

六、如何开通

五大版本的模型能力均可在找我开通使用，国内直连、稳定合规。本文所列为官方刊例价（目录价），实际开通有渠道优惠空间——把你的使用场景和预估用量发给我们，按量核算后给到最合适的版本组合与价格方案。评论区或后台留言即可，看到都会回。

本文版本能力信息来自各家官方文档与产品资料；刊例价以官方页面为准，模型与活动随时更新，具体细节请私信我沟通。

我在知识星球 「AI云计算好物分享」（星球号 16606805，链接 https://t.zsxq.com/BOtqQ ）持续更新 AI 视频 / 云算力相关的好物与教程，欢迎搜索加入交流。