2026 最佳 AI 語音生成工具排行榜

ElevenLabs 和 Inworld TTS-1.5 Max 並列第一，都是 9.4 分。上週做完多語言盲聽測試，這週我來看兩條規定，它們已經開始影響合成語音的部署方式，尤其是這個類別最近拼命衝刺的即時語音客服。

歐盟 AI 法第 50 條從 2026 年 8 月 2 日起適用，其中兩項義務直接打在語音上。第一，必須讓對方知道自己正在跟 AI 系統互動，所有電話客服和語音助理都包含在內。第二，AI 生成的音訊要有機器可讀的標記，深偽內容發布時也要揭露。

電話客服要處理這點，開場白加一句話就好。我會寫得像親切的自我介紹，例如「您好，我是診所的語音小幫手」，親切的開場能替整通電話定好基調。延遲如果像 Inworld 的 9.8 分或 Cartesia Sonic 3 的滿分 10 分那麼低，講完這句之後對話依然很自然。

複製聲音要更小心。被複製聲音的本人要簽書面同意，跟專案檔案一起保存，只要發布的片段讓真人說出他沒說過的話，就要清楚標註。Resemble AI 總分 7.6，整個業務就是圍繞這一塊打造，有浮水印也有深偽偵測，對有法遵團隊的媒體公司來說，這份專業比總分更有參考價值。

ElevenLabs 還是我的預設選擇，聲音真實度 9.7、語言支援 9.8，共享聲音庫也採用本人同意的機制。Inworld TTS-1.5 Max 並列第一，真實度 9.6、延遲 9.8，任何即時應用都選它。

Hume AI Octave 2 8.9 分，情緒表現 9.7。OpenAudio S1 9.0 分，性價比 9.8，大量旁白製作很划算。

今天排名照舊。

ElevenLabs 跟 Inworld TTS-1.5 Max 並列第一，同樣 9.4 分。這週我測了英語圈評測通常會跳過的一件事：這些聲音換成別的語言之後還站不站得住。

方法很單純。一段 90 秒的稿子，讓前六名各念一次英文、中文、西班牙文，再放給母語使用者聽，不告訴他們來源。

ElevenLabs 的語言支援 9.8 拿得理直氣壯。它的中文在四字詞上聲調曲線還撐得住，這正好是多數系統崩掉的地方；西班牙文長篇朗讀也能維持同一個地區口音。有聲書、配音、要同時上多個市場的案子，我還是從它開始。

MiniMax Speech 02 HD 8.8 讓我的試聽小組很意外。語言支援 9.2 名副其實，盲測裡它的中文最接近 ElevenLabs，價格還更低。純中文的案子，這一個該進你的口袋名單。

Inworld TTS-1.5 Max 9.4 仍是即時應用首選，延遲 9.8；Cartesia Sonic 3 9.0，延遲拿到滿分 10。兩個都以英文為主，客服機器人用英文回應的話很夠用。

Apple 在 9 月 14 日推出 iOS 27，Siri 被重寫過，這件事把整份榜單的門檻都拉高了。大家現在每天在自己手機上聽到的就是流暢、低延遲的合成語音，所以一個開口前會卡一下的聲音，聽起來就像壞掉。延遲已經悄悄變成品質指標，這張表上的數字就是這樣排的。

Hume AI Octave 2 8.9，情緒表現 9.7 是全榜最高。角色配音或需要真情緒的旁白，我會叫它上場。

ElevenLabs 和 Inworld TTS-1.5 Max 以 9.4 分並列第一。這幾天沒有新模型，我乾脆把這篇寫成「照用途挑」的選購指南，因為語音工具選哪個，完全看你要做什麼。

有聲書、旁白、配音，我選 ElevenLabs。聲音庫最深，短短一段樣本就能複製聲音，公司底子也夠厚。9 月 10 日和環球音樂簽下授權合作，Music Business Worldwide 又報導估值 110 億美元，長期專案放在它身上，我敢說幾年內都有人顧。Releasebot 9 月 11 日記錄的 Scribe v2 Medical，也看得出它正往醫療這種高規範產業擴張。

電話客服代理、即時對話，Inworld 在高流量下的延遲最好，Cartesia Sonic 3 9.0 分，流量上來首段音訊一樣快。兩家之間猶豫，Orca Router 那篇 Inworld Realtime TTS-2 對 Cartesia Sonic 3.6 的比較最值得看。OpenAI 9 月 10 日推出的全雙工模型 GPT-Live-1 是新挑戰者，我正拿真實通話流程在測。

遊戲、角色要演出情緒，Hume AI Octave 2 8.9 分，同一句台詞能演出最多種味道。

預算有限又要多語言，OpenAudio S1 9.0 分，品質好還能自架；MiniMax Speech 02 HD 8.8 分，每個字的價格很漂亮。GPT-4o mini TTS 8.5 分，每分鐘大約 1.5 美分，最便宜又可靠的旁白。

公司內訓影片，Murf AI 8.7 分，編輯介面友善，行政同事一個下午就上手。這週排名不變。

ElevenLabs 和 Inworld TTS-1.5 Max 以 9.4 分並列第一。過去這一週，整個類別都在往「即時雙向對話」衝。9 月 10 日 OpenAI 在 API 推出 GPT-Live-1，這是可以邊聽邊講的全雙工語音模型，附 12 個新的即時語音、原生逐字稿、輪流發言偵測，還支援電話線路。要做電話客服代理人的團隊一定會注意到它，我會先拿它跟榜上前段班實測，再決定要不要影響分數。GPT-4o mini TTS 今天維持 8.5 分，一分鐘大約五毛錢台幣，是 OpenAI 的平價旁白選項。

ElevenLabs 穩坐並列第一，靠的是最深的聲音庫，還有只要短短一段樣本就能穩定複製聲音。它也持續把整套語音工具補齊：Releasebot 記錄到 9 月 11 日推出正式版語音辨識模型 Scribe v2 Medical，8 月 31 日則替語音代理人加上電話按鍵輸入。老實說，做完整電話代理人的團隊，辨識、合成、通話處理全交給同一家，串接可以省下很多工。

Inworld 9.4 分靠的是高負載下的延遲表現，這個數字決定語音代理人接真人電話時聽起來自不自然。Orca Router 9 月 4 日的比較文，把 Inworld Realtime TTS-2 研究預覽版拿來跟 Cartesia Sonic 3.6 對打，Sonic 3.6 是 Cartesia 八月悄悄推出的小改版，價格沒動。

Cartesia Sonic 3 和 OpenAudio S1 都維持 9.0 分。流量衝高時首個音訊回應還要壓得很低，我選 Cartesia；OpenAudio 靠多語言品質拿分，還能自架，成本好控制。

Hume AI Octave 2 8.9 分，情緒表達的專家。MiniMax Speech 02 HD 8.8 分，表現力跟每千字元價格之間平衡得最好，一千字元一塊半台幣左右。

這週排名不變。

ElevenLabs 跟 Inworld TTS-1.5 Max 並列第一，都是 9.4，這個平手我很放心，因為它們贏的東西真的不一樣。

ElevenLabs 的聲音庫最深，用很短的樣本做聲音複製也最穩，這正好是多數人真正需要的。Inworld 在高負載下的延遲守得住，如果這個聲音是要接真人來電的，那個數字才是關鍵。

Cartesia Sonic 3 跟 OpenAudio S1 都在 9.0。即時應用我會拿 Cartesia，因為流量爬上來的時候，它的首字發聲時間還壓得低。OpenAudio 的分數賺在多語輸出還能維持同一個聲音身分，這件事比聽起來難，而且替在地化內容省下巨量工。

Hume AI Octave 2 的 8.9 是最有意思的異數，它對情緒表達的控制精度，榜上沒有對手。做廣播劇跟角色配音，那個控制力就是產品本身。

實務建議沒變。拿你真正的稿子去測，把難唸的專有名詞跟數字都放進去，因為那裡才是這些模型分出高下的地方。行銷樣本是挑過的，你的稿子可沒有。

ElevenLabs 跟 Inworld TTS-1.5 Max 維持並列 9.4，我刻意讓它們平手，因為兩者贏的是完全不同的軸線。ElevenLabs 的聲音庫更深，複製聲音的流程也更成熟。Inworld 則是延遲更低，定價結構讓即時對話應用在規模化之後仍然划算。

如果你在做一個必須在 300 毫秒內回話的語音 agent，答案是 Inworld。如果你在做旁白，單次錄取的品質比反應速度重要，那就是 ElevenLabs。

Cartesia Sonic 3 跟 OpenAudio S1 維持 9.0。Sonic 3 依然是這個分類裡明顯最快的，互動應用中使用者對每一毫秒延遲都有感，這種場景值得拿它跟前段班一起試聽比較。

Hume AI Octave 2 的 8.9 分，是我會指給創意團隊看的那一個。它的情緒幅度真的是這裡最可控的，做廣播劇或角色配音時，那份表現力就是全部的重點。

說實話，這個分類的合成音質在頂端已經大致收斂了。前五名的模型產出的音檔，隨意聽都過得去。現在真正拉開差距的是延遲、授權、以及你對語氣表現能掌控多少。用這三項去打分，通常一個下午的測試就能得出明確答案。

語音生成這週維持原狀。ElevenLabs 與 Inworld TTS 1.5 Max 仍然並列 9.4，我讓它們並列是因為它們贏在同一個問題的不同半邊。

ElevenLabs 有最深的聲音庫，以及從短樣本複製聲音時最穩的表現。如果你的專案需要某個已經存在的特定聲音，或需要四十個聽起來像不同人的聲音，就是它。Inworld TTS 1.5 Max 贏在高負載下的延遲，而這決定了即時應用。接電話的語音代理不能等，Inworld 在併發數往上衝的時候仍守得住一秒內回應。

Cartesia Sonic 3 與 Fish Audio OpenAudio S1 落在 9.0，如果你的用量讓每字元成本變得重要，這兩個值得測。用量一大，頂級層跟這兩個之間的價差累積得很快。

我一直跟人講的是，這個品類現在錢在情感表現力上。這份清單上每個模型都能產出聽得懂的語音。9.4 跟 8.0 的差別在於那個聲音能不能在你沒有手動標記文字的情況下，帶出一個疑問、一次遲疑或一個語氣轉折。Hume AI Octave 2 的 8.9 是這裡有趣的案例，它就是繞著情感表達做的，有聲書或角色配音的場景它的實力高於總分。

今天要選的話，把你真正的稿子丟給前三名跑一次。稿子之間的差異大到用通用樣本排出來的順序無法預測哪一個唸你的素材才對味。

ElevenLabs 和 Inworld TTS 1.5 Max 維持並列 9.4，我打算讓這個平手繼續下去，因為它們贏的軸線真的不一樣。

ElevenLabs 的聲音庫最深，用一小段樣本做聲音複製的穩定度最高，這是多數人實際需要的。Inworld TTS 1.5 Max 在高負載下延遲更低，單次錄製的情緒幅度更好，這是聲音要嵌進即時產品時才會在意的事。看你的聲音是預錄還是串流，答案就出來了。

Cartesia Sonic 3 和 Fish Audio OpenAudio S1 並列 9.0，即時對話代理我推 Cartesia，它的首音延遲明顯是這裡最短的。

Hume AI Octave 2 的 8.9，對於要做「聲音會回應內容情緒」這種產品的人，它是這份清單上最有意思的。

台灣讀者有一件事一定要自己測，中文輸出品質在這些工具之間差非常多，而且台灣國語的聲調正確性跟對岸普通話是兩個不同的問題。這些工具首頁的英文 demo 全部都很棒，而那幾乎無法告訴你中文稿唸出來會是什麼樣子。

訂閱前先拿自己的一段文案生一次。上面的排名反映的是整體能力，你的語言才是真正決定勝負的限制條件。

ElevenLabs 和 Inworld TTS-1.5 Max 並列 9.4，這個平手我會維持，因為它們贏的東西真的不一樣。

ElevenLabs 拿下擬真度和語言廣度，有聲書旁白、配音、任何聽眾要跟這個聲音相處一小時的案子，它都是安全的預設值。

Inworld TTS-1.5 Max 拿下延遲，而做即時應用的話，延遲就是全部的規格。你在做接電話的語音客服，200 毫秒以內的回應決定這段對話自不自然，音色再好也補不了那個讓來電者搶話的停頓。

Cartesia Sonic 3 的 9.0 卡在中間，想要低延遲又要多一點表現力的團隊我推它。OpenAudio S1 的 9.0 給想自架的人，開放權重對有資料落地需求的應用影響巨大。Hume AI Octave 2 的 8.9 在情緒表達上還是這個類別最有意思的，互動敘事或遊戲裡角色要真的聽起來很難過，它就是對的工具。

九月補充一件事，今年整體的中文和台灣口音輸出進步很多。如果你是 2025 年評估過然後因為中文效果不行而放棄的，建議重新測一次。

ElevenLabs 跟 Inworld TTS-1.5 Max 並列第一 9.4，這個平手我覺得很合理，因為它們贏的是不同的工作。ElevenLabs 在長篇旁白這種「聲音要在一小時的音檔裡維持一致又耐聽」的場景最強，可用的聲線跟語言庫也遠遠最深。Inworld 在擬真度上追平，但它是為了即時互動而設計的，那是另一個工程問題，如果你要把聲音放進會即時對話的產品裡，它才是對的。

Cartesia Sonic 3 跟 OpenAudio S1 以 9.0 拿下三、四名，分別強在延遲跟自架彈性。

八月整個產業往「快又便宜」的模型層移動，八家十六個模型，這件事對語音類別的影響特別直接。講白了，語音這一塊的延遲直接決定成敗。一個對話型 agent 要花 800 毫秒才開口，人耳聽起來就是壞掉了。整個產業一起壓速度，這個類別受惠的程度比多數類別都大。

這週排名不動。我的建議：旁白跟有聲書選 ElevenLabs，任何即時對話場景選 Inworld 或 Cartesia，音檔不能離開自己機房就選 OpenAudio S1。