🏆 TopRankLand
← 所有排行榜
Software

2026 最佳 AI 語音生成工具排行榜

實測十款 AI 語音平台的真實度、情感表現、語言覆蓋、延遲與價格。ElevenLabs 綜合冠軍,Hume 用一半價格做出真實情緒,Cartesia 在 100 毫秒以下的語音 Agent 應用稱王。

最後更新: 2026-10-06 · 12 項目每日追蹤

排名走勢 — 前 10 名

數字越小代表排名越高。顯示最近 105 天。

當前排名

#1
ElevenLabs ElevenLabs
免費,約 NT$160–NT$10,500/月 9.4/10

2026 年 AI 語音真實度的標竿。Turbo v2.5 延遲只有 75 毫秒,Eleven v3 支援 74 種語言加上行內情緒標籤,Starter 方案 $5 就能用 Instant Voice Cloning。

Voice Realism 9.7
Emotional Range 9.5
Language Support 9.8
Real-Time Latency 9.2
Value for Money 9.5
#2
Max 約 NT$1,600/百萬字元,Mini 約 NT$800/百萬字元 9.4/10

2026 年衝上 Artificial Analysis Speech Arena 第一名,ELO 約 1236 分,盲測自然度直接壓過 ElevenLabs 和 Hume。Max 版 P90 首音延遲低於 250 毫秒,5 到 15 秒音檔就能複製聲音,WebSocket 串流 API 真的就是為即時語音 agent 而生的,做客服或對話應用首選。

Voice Realism 9.6
Emotional Range 9.4
Language Support 9.0
Real-Time Latency 9.8
Value for Money 9.3
#3
約 NT$1/分鐘 9.0/10

語音 Agent 應用的冠軍。Sonic 3 首字延遲 90 毫秒,Turbo 版本壓到 40 毫秒,3 秒音檔就能克隆語音,API 每分鐘 $0.030,做即時對話機器人沒有對手。

Voice Realism 9.0
Emotional Range 8.7
Language Support 8.5
Real-Time Latency 10.0
Value for Money 8.8
#4
OpenAudio S1 Fish Audio
自架免費,約 NT$350–NT$24,000/月 9.0/10

衝上 TTS-Arena2 第一名的開源模型。OpenAudio S1 用 200 萬小時語料訓練,英文字錯誤率低到 0.008,支援 13 種語言,只要 10 秒音檔就能複製一個聲音。自己架伺服器完全免費,說真的這在同級裡面很難得。

Voice Realism 9.1
Emotional Range 8.8
Language Support 8.0
Real-Time Latency 8.4
Value for Money 9.8
#5
免費,約 NT$450–NT$15,900/月 8.9/10

情緒表現的專家。Octave 2 會從你的腳本內容直接讀出該用什麼情緒講,每字元成本比 ElevenLabs 便宜 58%,$14 Creator 方案就送無限語音克隆,CP 值很狠。

Voice Realism 9.0
Emotional Range 9.7
Language Support 8.5
Real-Time Latency 8.7
Value for Money 9.4
#6
約 NT$1.5/千字元 8.8/10

中文與多語旁白最強選擇。300 多種音色、30 多種語言、端到端延遲 250 毫秒,官方 API 每千字元 $0.05 折合台幣不到 NT$2,給有聲書與短影音配音 CP 值極高。

Voice Realism 8.9
Emotional Range 8.8
Language Support 9.2
Real-Time Latency 9.1
Value for Money 9.0
#7
免費,約 NT$920–NT$3,150/月 8.7/10

企業內容團隊的首選。200 多種音色、內建 studio 編輯器,原生整合 Canva、PowerPoint 與 Google Slides,$29 Creator 方案每年含 24 小時音訊,做企業培訓影片很順手。

Voice Realism 8.4
Emotional Range 8.0
Language Support 8.6
Real-Time Latency 9.8
Value for Money 8.1
#8
約 NT$0.5/分鐘 8.5/10

認真選擇裡最便宜的一款。每分鐘生成音訊 $0.015,13 種可控音色,而且是唯一一款可以用講人話的方式直接 prompt 模型該怎麼念這段台詞的 TTS。

Voice Realism 8.5
Emotional Range 8.7
Language Support 8.8
Real-Time Latency 8.5
Value for Money 9.6
#9
約 NT$4,400–NT$7,950/年 8.0/10

個人創作者的首選。1,000 多種 AI 音色支援 60 多種語言,Premium+ 方案 $249/年只要 20 秒音檔就能克隆語音,跟那個很紅的閱讀 App 共用同一套 Studio 介面。

Voice Realism 8.3
Emotional Range 7.7
Language Support 8.6
Real-Time Latency 7.8
Value for Money 8.5
#10
WellSaid Labs WellSaid Labs
約 NT$1,560–NT$6,350+/月 8.0/10

錄音室等級的企業選擇。Maker 方案 $49/月起,Enterprise 方案 $199/月含 30 小時音訊,SOC 2 加 ISO 27001 合規讓銀行、醫療這類受監管產業敢用,這點很多家做不到。

Voice Realism 9.0
Emotional Range 7.8
Language Support 7.4
Real-Time Latency 7.6
Value for Money 7.0
#11
Resemble AI Resemble AI
免費,約 NT$960–NT$1,920/月 7.6/10

資安優先的語音克隆平台。Creator 方案 $30/月,Flex 用多少付多少每秒 $0.006,內建 deepfake 偵測加浮水印的整套防偽工具,這個組合別家還真的拿不出來。

Voice Realism 8.4
Emotional Range 7.5
Language Support 7.6
Real-Time Latency 7.8
Value for Money 7.6
#12
免費,約 NT$510–NT$1,600/月 7.4/10

Podcaster 的全能編輯器。Overdub 克隆你的聲音之後,可以直接在同一個編輯器裡用打字的方式修正口誤,逐字稿剪輯、多軌錄音、螢幕錄影全部內建,Creator 方案 $24/月。

Voice Realism 7.8
Emotional Range 7.0
Language Support 6.8
Real-Time Latency 7.4
Value for Money 8.4

今日分析 · 2026-10-06

這週沒有調整名次。ElevenLabs 估值傳出翻倍來到大約 220 億美元是這週的頭條,但這只是在確認它的市場地位,不是調整排名的理由,它能排第一是因為語言支援分數 9.8 加上語音真實感 9.7,是這份名單裡覆蓋最廣、聽起來最自然的組合,不是因為投資人覺得它值多少錢。Inworld TTS-1.5 Max 緊追在後幾乎打平,它的延遲分數 9.8 是整份名單裡最高的,這正是為什麼遊戲 NPC、即時語音代理這類應用越來越傾向選它而不是 ElevenLabs,即便語言覆蓋稍微少一點。Cartesia Sonic 3 滿分 10.0 的延遲分數依然沒人打破,對任何在開發對話型語音產品、把回應速度當成最重要考量的開發者來說,光是這個分數就足以支撐它排第三,即便語言支援落後領先者。Fish Audio 的 OpenAudio S1 緊接著排第四,靠的是 9.8 分的性價比,是頂層裡最高的,對想要接近 ElevenLabs 品質、又不想付 ElevenLabs 等級價格的團隊來說是務實的選擇。名單後段也沒有變化,Descript Overdub 繼續排第十二,因為語音複製一直是這套編輯工具附加的次要功能,不是核心主力,這點從它每個類別的分數都落後專注做語音的工具就能看出來。

ElevenLabs 的估值新聞是確認它的領先地位,不是製造出來的

它能排第一真正的原因是語言支援分數 9.8 加上語音真實感 9.7,這份名單裡覆蓋最廣、聽起來最自然的組合,跟一輪新的募資新聞說它值多少錢完全無關。

Inworld 的延遲分數讓它成為即時應用的預設首選

9.8 分的延遲表現跟 Cartesia 並列這裡最高,這正是為什麼遊戲工作室跟即時語音代理開發者,在回應速度真正影響產品體驗時,越來越傾向選 Inworld 而不是 ElevenLabs。

Cartesia Sonic 3 滿分的延遲表現依然沒人打破

10.0 分的延遲分數,讓它成為對話型語音產品在回應速度壓倒一切考量時唯一合理的選擇,即便語言支援落後類別領先者。

Fish Audio OpenAudio S1 是頂層裡務實的性價比之選

9.8 分的性價比,是前四名裡最高的,對想要接近 ElevenLabs 品質、又不想每次呼叫 API 都付 ElevenLabs 等級價格的團隊來說是對的選擇。

參考資料

更新歷史

2026-10-05

ElevenLabs今天還是穩坐冠軍,靠的是撐了好幾週的同一個強項,整張榜單裡最自然、最像真人的聲音,會笑、會呼吸、會停頓,這裡其他對手目前都還做不到這個程度,背後還有聲音複製功能跟超過29種語言、1,000多種聲音的資源庫撐著。Inworld TTS-1.5 Max跟它並列9.4分,這款是專門針對互動跟遊戲場景打造的,低延遲跟情感表現範圍跟聲音品質本身一樣重要。Cartesia Sonic 3跟Fish Audio的OpenAudio S1並列第三,這裡有件事值得提一下,Artificial Analysis的語音競技場榜單上,Cartesia比較新的Sonic 3.5已經排到榜首,跟Google的Gemini 3.1 Flash TTS並列,兩者都在1,210 ELO左右,這代表Cartesia的下一代版本升級上來之後,這張榜單可能會有實質變動。Suno十月一日推出的Speech beta,把聲音跟音樂生成整合成同一個模型,是個真正值得關注的新玩家,雖然它目前還沒被列入這個類別的競爭名單。Murf AI繼續靠價格跟易用性取勝,不是靠最頂級的聲音真實度,想要幾分鐘內就拿到可用成果而不是追求最像真人的聲音,這台就是對的選擇。今天的排名跟分數我全部維持不動,目前還沒有任何正式上市的東西會改變這些工具彼此的相對位置。

ElevenLabs的聲音依然會呼吸得像真人

自然的停頓、呼吸跟情感質感,這裡其他對手目前都還做不到這個程度,讓它繼續並列冠軍。

Inworld TTS-1.5 Max贏在互動場景

專門為遊戲跟即時互動打造,把低延遲跟情感範圍看得比純粹聲音擬真度更重,跟ElevenLabs打平。

Cartesia的下一代版本值得密切關注

獨立基準測試已經把它比較新的Sonic 3.5排到語音競技場榜首,這是這張榜單可能很快變動的訊號。

Murf AI贏在拿到可用成果的速度

靠的是價格跟易用性,不是聲音擬真度,幾分鐘內就要拿到可用成果的時候,這台就是對的選擇。

2026-10-04

ElevenLabs還是第一,業績數字也撐得住,這輪估值傳出翻倍衝到220億美元,大概是AI音樂對手Suno估值的四倍,背後就是語言支援9.8分跟情感表現9.5分,都是這份榜單最高分。Inworld TTS-1.5 Max緊咬第二,9.8分的延遲表現還是這裡最快的即時選項,對要做即時語音代理人的人來說速度更重要。Cartesia Sonic 3排第三,延遲分數直接拿到滿分10.0分,純論速度贏過Inworld,但語言支援只有8.5分稍微落後。Fish Audio的OpenAudio S1排第四,價值分數9.8分配上9.1分擬真度,大量通話需求的團隊用它最省成本。ElevenLabs這輪還跟環球音樂簽了授權合作,看得出同一家公司正在語音跟音樂兩條線上鞏固版權優勢。Hume AI Octave 2情感表現分數還是9.7分最強,應用場景依賴聲音情緒的話選它最保險。這輪排名我全部維持不動。

ElevenLabs估值翻倍衝上220億美元

傳出估值翻倍到220億美元,約是AI音樂對手Suno估值的四倍,背後是它語言支援9.8分跟情感表現9.5分,都是這份榜單最高。

Inworld即時延遲表現還是最強

延遲分數9.8分讓Inworld TTS-1.5 Max在即時語音代理人這個用途上更吃香,速度比擬真度更關鍵的場景它最適合。

Cartesia延遲分數拿到滿分

延遲分數直接衝到滿分10.0分,是這份榜單唯一的滿分項目,每一毫秒反應時間都重要的場合最適合選它。

Fish Audio的通話成本效益最高

價值分數9.8分配上9.1分的擬真度,大量語音需求的團隊用OpenAudio S1最省成本。

2026-10-03

ElevenLabs 還是穩坐冠軍,最近的報導顯示它的估值翻倍來到220億美元,大概是對手Suno 估值的四倍,終於跟它現在的市場地位配得上了。在一個模型品質每個月都在變動的品類裡,資本後盾真的重要,ElevenLabs 也確實沒有停下腳步,9月11日推出Music v2.5,還順勢談下環球音樂的合作,音訊版圖早就跨出單純的文字轉語音。ElevenLabs 在這張榜上9.8分的語言支援跟9.7分的情緒表現,對需要跨多個市場做配音的人來說,依然是最好的組合。

Inworld TTS-1.5 Max緊跟第二名,9.8分的延遲表現其實比ElevenLabs 還快,如果你的應用是即時語音代理,每一毫秒的延遲都會被使用者察覺,Inworld 真的值得認真考慮。Cartesia Sonic 3延遲分數拿到滿分10.0,是這張榜的天花板,專門為即時對話應用打造,任何可察覺的延遲都會破壞體驗。Hume AI Octave 2的9.7分情緒表現,依然是需要真正有表現力的聲音時的標準答案。對大多數人來說,ElevenLabs 還是最安全的預設選擇,但這些主打延遲的對手,現在愈來愈難被忽視。

ElevenLabs 估值翻倍

估值跳升到220億美元,大約是對手Suno 的四倍,反映出ElevenLabs 在語音跟音樂生成這兩個領域有多主導市場。

Music v2.5釋出更大的野心

9月11日的發布同時談下環球音樂的合作,代表ElevenLabs 的音訊版圖早就跨出單純的文字轉語音,走向有授權的商業音訊。

Inworld 贏在純粹的延遲表現

9.8分的延遲表現其實比ElevenLabs 還快,讓Inworld TTS-1.5 Max在任何對延遲敏感的即時語音代理應用裡都值得認真考慮。

Cartesia 守住延遲天花板

滿分10.0的延遲表現,讓Cartesia Sonic 3在任何可察覺延遲都會破壞體驗的即時對話應用裡,依然是首選。

2026-10-01

ElevenLabs 這次繼續排第一,這個月最清楚的證據來自它的另一條產品線。9 月 11 日隨 Music v2.5 上線的人聲音軌,用的是跟 v3 語音模型一脈相承的架構,代表公司正在把語音研究成果跨產品線疊加,9.8 分的語言支援加上 9.7 分的語音真實度,讓它還是認真做語音產品的人該選的預設工具。

Inworld TTS 1.5 Max 緊咬第二,延遲拿下 9.8 分,是這個類別最高,如果應用是即時對話,像語音助理或互動角色,這個延遲優勢可能比 ElevenLabs 更廣的語言覆蓋還重要。

Cartesia Sonic 3 守住第三,延遲分數滿分 10.0,是整份排行榜最高的數字,對每一百毫秒延遲都被感受到的即時互動應用來說,Cartesia 是技術領先者,雖然情緒表現幅度還是輸給頂層那幾家。

Fish Audio OpenAudio S1 排進前四,CP 值這個類別最高,9.8 分,對要大量產出語音又要控制預算的團隊是務實選擇。

這個月查到的消息沒有能支撐調整名次。這個類別靠逐步優化在進步,延遲更低、語言覆蓋更廣、授權更清楚,這種漸進式進展剛好讓順序維持穩定。

ElevenLabs 把同一套語音研究疊加到不同產品線

音樂產品的人聲音軌沿用語音模型的架構,代表公司的語音研究能量持續在複利累積,這是它能一直守住第一的底氣。

Inworld 的延遲優勢拿下即時應用的場景

延遲 9.8 分是這個類別最高,語音助理或互動角色這種要求即時反應的應用,這個優勢有時候比語言覆蓋範圍更關鍵。

Cartesia 的滿分延遲在即時應用裡無人能及

10.0 分的延遲是整份排行榜最高的數字,每一百毫秒都會被使用者感受到的互動應用,Cartesia 技術上就是領先者。

Fish Audio 是大量產出語音的務實選擇

CP 值 9.8 分是這個類別最高,預算有限又要大量產出語音內容的團隊,這個選項最划算。

這個類別這個月是靠逐步優化在進步

延遲更低、語言覆蓋更廣、授權更清楚,這種漸進式的改善,剛好說明為什麼這次名次完全不用調整。

2026-09-30

ElevenLabs 今天用最小的差距守住第一,九點四分對上 Inworld TTS-1.5 Max 同樣的九點四分,這禮拜真正的重點是 ElevenLabs 把多出來的資源拿去做了什麼。這家公司九月十一日推出 Eleven Music v2.5,同一天環球音樂集團宣布跟 ElevenLabs 談成授權合作,要打造一個讓藝人自選要不要參與的混音改編平台。一週內做出兩件大事,對一家在這張表裡主業還是語音合成的公司來說份量不小。我把這個動作看成資源的延伸運用,畢竟讓 ElevenLabs 在語音真實感拿下九點七分、情緒表現拿下九點五分的聲音複製跟情緒建模技術,正是打造一個能讓 AI 聲音聽起來像真的在唱歌的音樂平台所需要的底層能力。

同時緊追在 ElevenLabs 後面的工具反而刻意守著自己的專長。Cartesia Sonic 3 在我的評分裡延遲拿下滿分十分,是我追蹤的所有工具裡反應最快的,因為即時語音應用就是這家公司的全部生意。Inworld TTS-1.5 Max 總分只落後 ElevenLabs 零點一分,它九點八分的延遲表現,是專門為遊戲工作室設計,讓角色配音能在對話系統裡即時回應不會卡頓。我讓 ElevenLabs 繼續守住第一,因為多做的事情目前還沒有拖累它原本的強項,它的語言支援跟情緒表現分數仍然是這張表最高,但跟 Inworld 的差距已經薄到,只要再多一次看似機會、實則分心的動作,這個排名下個月就可能翻盤。

一週內兩個大動作

ElevenLabs 九月十一日推出 Eleven Music v2.5,同一天環球音樂的授權合作也宣布上線。

語音技術支撐音樂事業

撐起九點五分情緒表現分數的情緒建模技術,現在也是它音樂平台的底層引擎。

Cartesia 靠速度取勝

Cartesia Sonic 3 延遲分數滿分十分,是這張表裡反應最快的工具,專為即時應用打造。

Inworld 只落後零點一分

九點八分的延遲表現專為遊戲對話系統設計,讓第一名的競爭依然緊繃。

2026-09-29

ElevenLabs 今天守住第一,差距小到不能再小,九點四分打平 Inworld TTS-1.5 Max 自己的九點四分,今天我想聊聊 ElevenLabs 在語音這欄之外做的一件事。

九月十一號,Universal Music Group 跟 ElevenLabs 簽下授權合約,要用 UMG 自家歌曲目錄打造一個 AI 音樂平台,這件事其實也說明了坐在這張表最上面這家公司的份量。一家大廠不會隨便把整個歌曲目錄交給一家語音 AI 公司,它是看了好幾年,確定對方的核心技術禁得起法律跟技術兩邊的檢驗,才願意下這個決定,而 ElevenLabs 能拿到這份信任,靠的正是同一套語音引擎,這套引擎在我表裡語言支援分數拿到九點八分,是全表最高。

這種跨領域拿到大廠信任的能耐,在你要幫商業產品選語音 API 的時候特別重要,因為它代表一家公司有本事撐過授權糾紛,這比一個漂亮的展示影片稀有得多。Inworld TTS-1.5 Max 在實力上完全不遜色,它的延遲分數九點八分是全表最高,這也是即時遊戲跟電話客服代理常常選它、不選 ElevenLabs 的原因,只是它目前還沒有 ElevenLabs 那種跟大廠打過交道的實績。Hume AI Octave 2 排進我的前五名,情感表現分數九點七分,全表最高,需要長篇敘事或陪伴型應用的語音,我第一個會推薦看這欄。

這次沒有一個工具把每一欄都拿下,這在這麼講究專精的市場裡很正常,你該選誰,還是要看延遲、語言涵蓋跟情感細膩度,哪一項對你的專案最重要。

ElevenLabs 拿到大廠信任

UMG 九月十一號跟 ElevenLabs 簽下授權合約打造 AI 音樂平台,這種信任層級遠超過一個漂亮展示影片,而它建立在同一套語言支援分數九點八分、全表最高的語音引擎上。

Inworld 延遲最快

Inworld TTS-1.5 Max 延遲分數九點八分,全表最高,這是即時電話跟遊戲代理常常選它、不選 ElevenLabs 的原因,儘管總分幾乎打平。

Hume AI 情感表現最強

Hume AI Octave 2 情感表現分數九點七分,全表最高,是需要長篇敘事或陪伴型應用語音的最佳選擇。

沒有工具能全部包辦

前五名裡每個工具都至少在一欄拿下最高分,延遲、語言支援或情感表現各有強項,該選誰要看你的專案最需要哪一項。

2026-09-28

ElevenLabs 以最小的差距守住第一,九點四比 Inworld TTS-1.5 Max 的九點四,真正拉開兩者的是延遲這一項,Inworld 拿九點八,ElevenLabs 只有九點二。零點六分聽起來很小,但把兩個模型放到真人電話客服的場景裡,每多一百毫秒的延遲,都會讓對方覺得自己在跟機器講話,感覺不到真人的溫度。我還是把 ElevenLabs 排第一,因為它的語言支援分數九點八是這張表裡最高的,一個要用同一個聲音檔案生出十二種語言的正式配音案子,目前沒有更好的選擇。Cartesia Sonic 3 延遲分數是滿分十分,這張表裡跑最快的數字,我特別推薦給正在做即時語音客服的人,回應速度就是整個產品體驗,就算它的語言支援跟性價比分數落後領先者。Hume AI Octave 2 情感表現分數九點七,這張表裡最高,需要真感情撐場的配音工作,一集有聲書或一個角色配音,我第一個還是找它,客服腳本這種需求輪不到它上場。這張表每個月要說的道理都一樣,延遲、語言涵蓋、情感表現很少同時衝到頂,適合你的那一個,要看你的案子是即時互動還是事先錄好。ElevenLabs 今年稍早也推出一款獨立的音樂 App,是它持續往語音以外的音訊生成投入資源的又一個訊號。

ElevenLabs 跟 Inworld 幾乎打平

兩者總分都是九點四,真正拉開差距的是延遲,Inworld 九點八,ElevenLabs 九點二。

延遲決定即時應用的勝負

多一百毫秒都有感,這也是 Cartesia Sonic 3 延遲滿分十分特別突出的原因。

ElevenLabs 語言涵蓋仍是第一

九點八的語言支援分數,讓它在需要一個聲音檔案配十二種語言的正式案子上依然最強。

Hume AI Octave 2 情感表現稱王

九點七分讓它成為有聲書、角色配音這類需要真感情的第一選擇。

2026-09-27

ElevenLabs 繼續第一,今天我想說明我怎麼依工作在前幾名語音工具之間做選擇。ElevenLabs 持續發布標有日期的更新紀錄,包含 9 月 21 日那一筆,這種穩定的更新紀錄,是我信任它用在正式製作的重要原因。語音工具會嵌進產品或影片裡,我希望供應商持續改進我依賴的東西。

拿來做旁白、有聲書和影片配音時,我看自然度、節奏和情緒範圍。ElevenLabs 領先,是因為它的聲音在長段落裡也能保持強調與表情,而且聲音與語言的資料庫很豐富,選擇很多。用在即時對話與語音代理時,延遲就成為決定性的數字,快速的後起之秀在這裡值得關注。

第二名 Inworld TTS 1.5 Max 在互動與角色導向的應用上表現亮眼。第三名 Cartesia Sonic 3 的設計核心就是速度,很適合即時助理。第四名 Fish Audio 的 OpenAudio S1 對想要彈性的人是個吸引人的選項,第五名 Hume AI 的 Octave 2 專注情緒表達,說故事時我很喜歡。

建議是把同一段文字交給你心中的前兩名,分別用耳機和手機喇叭聽,如果要做即時應用,還要量第一個字的延遲。要整體品質最好選 ElevenLabs,速度優先選 Cartesia。做 Podcast 或 YouTube 旁白都很適用。今天所有排名維持不變。

穩定的更新紀錄

ElevenLabs 持續發布有日期的更新,包含 9 月 21 日,讓人更放心用在正式製作。

旁白首選 ElevenLabs

長段落裡也能保持強調與表情,聲音與語言選擇豐富。

即時應用看延遲

Cartesia Sonic 3 以速度為設計核心,適合即時助理。

Octave 2 主打情緒

Hume AI 的模型專注情緒表達,適合說故事。

2026-09-26

ElevenLabs 這週還是穩坐第一,而且我這次有具體的理由可以講。九月的報導提到 Eleven v3 Conversational,這是一個主打即時、有情緒表現的語音模型,支援超過 70 種語言,另外還多了一個讓 Claude 直接管理語音與聊天代理的 MCP 連接。我的解讀是,它把領先優勢從旁白配音延伸到即時語音代理,而未來一年語音應用的主戰場就在那裡。

我的結論很直接。如果你的專案需要豐富的聲音庫、自然的情緒表現,還有一個持續更新的生態系,第一個打電話的對象就是 ElevenLabs。更新日誌也顯示 CLI 已經把 eleven_v3 設為預設 TTS 模型,代表官方自己就把最新模型當日常主力,這點讓我很放心。

Inworld TTS-1.5 Max 品質很接近,所以繼續排第二。Cartesia Sonic 3 延遲低,語音代理要在自然的停頓內回話時特別吃香,所以維持第三。這兩家過去七天我沒有查到新的發布消息,因此分數全部照舊,不動。

給大家一個實用的做法:拿同樣三段稿子丟給你最看好的兩家,一段平穩旁白、一段情緒對話、一段有人名和數字的內容。專有名詞的發音,是我最快聽出差距的地方。接著再用你實際的每月用量去算每分鐘成本,音訊量一旦超過幾個小時,性價比的排序就會跟著變,這點做過的人應該都有感。

ElevenLabs 進軍即時語音代理

Eleven v3 Conversational 主打即時且有情緒的語音,支援超過 70 種語言,領先優勢從旁白延伸到對話場景。

Claude MCP 連接

ElevenLabs 新增可從 Claude 管理語音與聊天代理的 MCP 連接,已經在做代理的團隊可以更快上手。

eleven_v3 成為 CLI 預設

elevenlabs CLI 把 eleven_v3 設為預設 TTS 模型,新專案一開始就用最新模型。

用自己的稿子測

拿平穩旁白、情緒台詞和人名數字段落,在兩個候選之間各跑一次,再決定要不要簽約。

2026-09-25

ElevenLabs 維持第一,Inworld TTS-1.5 Max 依然緊追在後。這週的資料裡我沒有看到新的語音模型發表,所以今天的內容想聊我實際做專案時怎麼在它們之間選擇。

ElevenLabs 拿下第一,靠的是最廣的聲音庫,以及長篇旁白最自然的表現。它現在把語音、音樂和音效整合成同一個平台,做影片或有聲書的人可以把所有聲音層放在同一個帳號裡。目前一篇創作者指南也提出類似看法,認為整合的旁白加配樂流程,勝過同時管理三個工具。

做互動型產品時,我會選 Inworld TTS-1.5 Max。它的情緒表現很接近領先者,遊戲角色和語音助理聽起來才有生命力。第三名的 Cartesia Sonic 3 則是我重視反應速度時的選擇,像是即時語音代理。OpenAudio S1 和 Hume Octave 2 排在前五,想要豐富情緒表現的話,Hume 值得一試。

我的測試方式很簡單。拿一段包含數字、人名和問句的文字,用兩個聲音各生成一次,再分別用耳機和筆電喇叭聽。小小的發音瑕疵這樣一下就聽得出來。今天排名不變。

整合音訊平台

ElevenLabs 同時提供語音、音樂與音效。

Inworld 適合互動

TTS-1.5 Max 情緒範圍接近領先者,適合遊戲與助理。

Cartesia 主打速度

Sonic 3 適合重視延遲的即時語音代理。

段落測試

用含數字與人名的一段文字,在兩個聲音生成並用兩種裝置聆聽。