做有声书、播客片头、剧情旁白、批量口播时，真正卡脖子的往往不是「能不能说话」，而是三件事：中文自然度、长文本一次合成、音色克隆是否稳。
最近有份高赞整理，把几类「天花板向」音频模型/工具摆在一起。下面按用途重排一版，方便按场景选用；具体额度、时长上限以各产品当前页面为准。
1. MiniMax Speech / MiniMax Audio
- 特点：约 3 秒级音色克隆；单次可撑很大体量长文本（讨论中有「小说量级」口径）
- 更适合：中文长音频、连载有声内容、需要统一音色的系列节目
- 关键词：中文生态、长文本、克隆起步快
2. 阿里通义 Qwen3-TTS
- 特点：约 3 秒音色克隆；多语言 + 多方言；常有较大免费额度宣传
- 更适合：多语种/方言素材、大批量生成、成本敏感的试错期
- 关键词：批量、方言、入门友好
3. ElevenLabs
- 特点：行业标杆级自然度与情感表现；单次长音频能力较强（常见讨论在数十分钟量级）
- 更适合：有声书、剧情旁白、对「像真人演」要求高的英文或多语内容
- 关键词：情感、成品质感、国际项目
4. Fish Audio S1
- 特点：约 10 秒音频克隆；强调高情感与多语言；支持长文本与流式生成
- 更适合：要情绪起伏的口播、需要边生成边播的工作流
- 关键词：情感、流式、性价比
5. 微软 VibeVoice-1.5B（开源向）
- 特点：开源模型里长音频能力突出；讨论中有单次约 90 分钟、最多约 4 说话人对话等口径
- 更适合：本地/私有化、多角色对话剧、不想把文本送上云的团队
- 关键词：长音频、多说话人、可自建
6. Lipvoice（基于 IndexTTS-2）
- 特点：网页工具形态；依托开源 IndexTTS2；偏向低成本长文本 + 声音克隆
- 更适合：不想先搭环境、先在浏览器里跑通长文本试听
- 关键词：网页、低成本、快速验证
7. IndexTTS-2 / 2.5（B站开源一脉）
- 特点：零样本音色克隆；情感/时长可控；支持长文本；可作本地底座
- 更适合：要完全掌控数据与管道、二次开发自己的生产系统
- 关键词：开源底座、可控、可私有化
怎么选，而不是全收藏吃灰
你的优先级 | 更可先试 |
中文长篇、连载口播 | MiniMax、IndexTTS 系、Qwen3-TTS |
情感与成片听感 | ElevenLabs、Fish Audio |
方言/多语言批量 | Qwen3-TTS、Fish Audio |
本地部署、数据不出境 | VibeVoice、IndexTTS |
先网页试听再上系统 | Lipvoice 类工具 |
实际生产很少「一个模型打天下」：常用组合是 云端精品音色做主讲述 + 开源底座做备份与私有化。
使用提醒（比模型名更重要）
- 音色克隆需授权
用他人声音（尤其公众人物、客户、同事）前先解决授权与平台规则，避免侵权与纠纷。 - 长文本要分段质检
单次能吞十万字，不等于中间不会串音、吃字、情绪崩。章节节点人工抽听仍必要。 - 商用看许可
开源模型、网页工具、SaaS API 的商用条款不同，上线前读 License 与 ToS。 - 别只听 Demo
用你自己的稿子（专业术语、中英混排、多角色对白）压一遍，再决定绑进工作流。
小结
音频模型已经从「能读字」走到「能扛长内容、能仿音色、能控情绪」。
这份清单的价值，是给你一张备用地图：做中文长音频、要情感旁白、要本地开源，各自有对应选项。
工具会迭代，选型逻辑可以固定：先定场景（长篇 / 多角色 / 私有化），再定是否上云，最后才比自然度与价格。