什么是 AI 文字转语音？
AI 文字转语音（AI TTS）用神经网络语音模型把文字变成语音。模型从大量真人录音中学会了说话的方式，生成时会整体判断一句话该怎么读：重音落在哪里、哪里换气、疑问句末尾怎样上扬。
因此，如今的 AI 语音已经能胜任旁白、短视频配音和课程讲解。但它仍是合成语音，遇到生僻人名、缩写和数字时可能读错，发布前请完整听一遍。
要点速览
AI Text to Speech 是一款在线 AI 文字转语音工具。粘贴最多 4,000 个字符，从 MiniMax Speech 02 HD、OpenAI TTS-1 HD 和 Gemini 2.5 Flash TTS 的 365 种音色中选择，调好语速，几秒即可下载 MP3 或 WAV。每字符 1 积分，每 1,000 字符 0.06–0.10 美元；注册即送 5,000 个免费字符，生成失败自动退还积分。
- 音色
- 共 365 种：MiniMax 326 种（24 种语言）、OpenAI 9 种、Gemini 30 种
- 价格
- 每字符 1 积分，每 1,000 字符 0.06–0.10 美元
- 试用额度
- 注册即送 5,000 个免费字符
- 文本长度
- 每段最多 4,000 字符，约 16 分钟普通话或 4 分钟英文
- 语速
- MiniMax 和 OpenAI 均为 0.75–1.5 倍
- 下载格式
- MiniMax 和 OpenAI 为 MP3，Gemini 为 WAV
- 使用规范
- 可按条款商用；不得模仿真实人物
为什么选择 AI Text to Speech
三款顶尖语音模型，一个简单的输入框，按字符计价。
- 01
像真人一样自然
神经网络语音会按语义安排重音、停顿和气口，听起来是在“讲”，而不是在“念”。
- 02
365 种音色可选
旁白、主播、主持人和各类角色：MiniMax 的 326 种音色覆盖 24 种语言，另有 OpenAI 和 Gemini 的专属音色。
- 03
语速随你调
讲课可以放慢，短视频可以加快：MiniMax 和 OpenAI 均为 0.75–1.5 倍。
- 04
拿来就能用
下载 MP3 或 WAV，直接用于视频、播客、网课、演示文稿和电话语音。
- 05
价格透明
每字符 1 积分，生成前显示价格。每 1,000 字符 0.06–0.10 美元，积分在账号存续期间不会过期。
- 06
失败自动退款
如果模型没有返回音频，这一段的积分会自动退回余额。
如何把文字转成语音
- 01
粘贴文字
输入或粘贴最多 4,000 个字符，计数器会实时显示长度和价格。
- 02
选择模型、音色和语速
默认的 MiniMax 音色最多；也可以切换到 OpenAI 或 Gemini，再挑选音色和语速。
- 03
试听并下载
几秒钟后就能在页面上播放。满意就下载，不满意改改文字再生成。
三个模型怎么选？
MiniMax Speech 02 HD 是默认模型：326 种音色覆盖 24 种语言，普通话和粤语音色尤其丰富，从新闻播报到温暖旁白都有。OpenAI TTS-1 HD 提供 9 种干净稳定的音色，最适合英文。Gemini 2.5 Flash TTS 有 30 种音色，能理解写在正文前面的语气提示，例如“Say warmly:”（用温暖的语气说）。
最快的选法是：拿同样的一两句话分别用两三个音色生成，对比着听。按字符计费，这样的短测试花不了几个积分。
怎样写出适合朗读的文本
语音模型会照着文字逐字朗读，下面几个习惯能让效果更好：
- 句子短一些，一句只讲一件事
- 在需要停顿的地方用逗号和句号
- 数字和日期写成希望读出来的样子
- 生僻缩写拆开写，人名按读音写
- 长稿按段落分几次生成，再在剪辑软件里拼接
三个模型对比
| MiniMax Speech 02 HD | OpenAI TTS-1 HD | Gemini 2.5 Flash TTS | |
|---|---|---|---|
| 音色 | 326 种，24 种语言录制 | 9 种，最适合英文 | 30 种，多语言 |
| 擅长 | 角色、旁白、中文等非英语内容 | 干净稳定的英文 | 用提示词控制语气 |
| 语速 | 0.75–1.5 倍 | 0.75–1.5 倍 | 仅自然语速 |
| 下载 | MP3 | MP3 | WAV |
| 价格 | 每字符 1 积分 | 每字符 1 积分 | 每字符 1 积分，每段至少 500 |
常见问题
这里的 AI 文字转语音免费吗？
新账号注册即送 5,000 个免费字符，约够生成 20 分钟普通话，所有音色和下载格式都能用。用完后需要购买积分：积分包 4.99 美元起，月度套餐每月 9.99 美元起。除注册赠送外，不提供长期不收费的套餐，也不按天发放额度。
AI 文字转语音怎么收费？
每字符 1 积分，按套餐或积分包不同，每 1,000 字符 0.06–0.10 美元。普通话 1,000 字大约能读 4 分钟。生成前就会显示价格，失败的生成自动退还积分。
用的是哪些 AI 语音模型？
三个。MiniMax Speech 02 HD（默认，326 种音色，覆盖 24 种语言）、OpenAI TTS-1 HD（9 种音色，最适合英文）和 Gemini 2.5 Flash TTS（30 种音色，能听懂语气提示）。三者都是每字符 1 积分；由于谷歌按次收费，Gemini 每段至少 500 积分。
合成的声音有多逼真？
在短篇和中等长度的文本上，最好的音色已经很难和真人录音区分。长稿仍可能出现小问题：个别重音不对、人名读错或数字读法不对。发布前请完整听一遍，读错的字可以改写成同音字后再生成。
生成的音频可以商用吗？
可以，用于视频、播客、广告、课程和应用都行，但需遵守我们的条款和所用模型的使用政策。最重要的两条：不要把合成声音冒充成某个真实人物的声音；如果发布用 OpenAI 音色生成的音频，OpenAI 要求告知听众这是 AI 生成的声音。我们无法保证某个音色只归你使用，其他用户也能使用同样的音色。
支持哪些语言？
MiniMax 的音色覆盖 24 种语言，包括英语、普通话、粤语、西班牙语、葡萄牙语、法语、德语、日语、韩语、印地语和阿拉伯语。OpenAI 和 Gemini 的音色也能读多种语言，其中 OpenAI 的音色读英文最自然。
会保存我的文字和音频吗？
你的文字会经由我们的模型网关发送给所选音色的服务商，仅用于生成音频。生成的音频保存在你的历史记录里，方便随时重听和下载；保存期限和删除方式见隐私政策。我们不出售你的数据，也不会用它训练模型。
最后更新：2026年10月6日