我把同一段话丢给五个模型念，最后留下了最便宜的那个

背景：我给家里老人做了个"听新闻"的小工具。每天早上把几个新闻网站的标题摘要抓下来，让 AI 念出来。

这个需求很小，但对声音有要求——老人耳朵不太灵光，念得太快听不清，太机械听着累。

所以我花了一个月，把五个语音服务挨个试了一遍。结论有点意外：最后留下来的，是最便宜的那个。

一、先说结论和省了多少钱

图 1　五个方案折算成月成本

五家的价格，按同一段 120 字的文本算：

方案单次成本月成本（每天 30 次）最贵的0.084 元75.6 元最便宜的0.009 元8.1 元

差了 9 倍多。

而"听起来怎么样"这件事，我妈只听得出两家有问题，另外三家她说"都挺好"。

所以在这件事上，贵的那 8 倍，买的是我听不出来的东西。

二、我是怎么试的

方法很土，但比听评测靠谱：

同一段 120 字的新闻摘要，五个服务各念一遍，录成 mp3。音色统一选列表里最接近"新闻播报"的那一档，不然比出来的是音色差异，不是质量差异。然后放给我妈听，不告诉她是哪个，问她"哪个听着最舒服""哪个听着最累"。

一共听了三轮，每轮顺序打乱。

结果：

• 两家被明确说"太机械""像机器人"——这两家在列表里价格居中。

• 三家被认为"都行"，其中一家她觉得"像收音机"，但说不出更好还是更差。

这三家里，有最贵的那一家，也有最便宜的那一家。

三、我听出来的问题在哪

我自己戴上耳机仔细听，发现差距主要不在音质，在三个地方：

第一，标点和停顿。 便宜的方案有个毛病：遇到逗号不停，一口气念完半句。听起来像在赶时间。

这个可以在送进去之前处理——把逗号换成句号，或者在标点处加个短停顿标记。改了之后，明显好了一档。这件事说明一件事：很多"这个大模型 API 不好用"的抱怨，其实和模型无关，是喂给它的文本没处理。

第二，数字的读法。 "2026"是念"二零二六"还是"两千零二十六"？"3.5%"怎么念？数字读法这一项，是语音合成里最容易被忽略、又最影响听感的细节。这个跟模型无关，跟你给的文本有关。必须在送合成之前按场景处理。

第三，语速。 所有方案的默认语速都偏快。统一调到原来的 90%，老人的接受度立刻不一样。

这三个问题，两个是文本处理问题，一个是参数问题。没有一个是"多花钱就能解决"的。

四、后来我发现，真正重要的是首包时间

这是从"能不能用"滑向"好不好用"的关键。

老人用这个工具的场景是：按一下按钮，等着听。

如果按下去之后 1.5 秒还没声音，她会以为坏了，再按一次。两次按下去，就变成两段声音叠在一起。

所以我把五个服务的首包时间（按下到听见第一个音）都测了：

• 快的：0.3 秒左右

• 慢的：1.2 到 1.6 秒

图 2　流式与非流式的首包时间

这中间的差距，比音质的差距重要得多。

更关键的是——能不能边生成边播。 支持流式的方案，用户听到第一个字的时间只取决于首包，不取决于整段多长。不支持流式的，要等整段合成完才开始播。

同样一段 120 字，两种方式差了将近两秒。这两秒对老人来说就是"是不是坏了"。

我最后选的那个便宜方案，恰好支持流式。这是我留下它的主要原因。

五、账单是怎么看的

我每天大概用 30 次，一次 120 字左右，一个月下来 900 次。

按 token 计费的话，这个量真的很小——语音合成的计费通常按字符或者按 token 折算，我这个量一个月不到 10 块钱。

我一开始担心"按量付费会不会月底突然爆掉"，实际跑下来完全没有。原因是这个用量是可预测的：每天 30 次，每次 120 字，乘以 30 天。

如果你的用量是可预测的，按量付费通常比订阅便宜。如果你的用量忽高忽低、而且经常用不完订阅额度，那订阅确实省心——这是个取舍，没有标准答案。

我所有调用走的是一个入口、一套密钥，账单能看到每天用了多少。我用的是词元云（tokenfreeai.com），语音和文本在一个密钥下面，抓新闻用文本模型、念出来用语音模型，两笔账在一张表里；换成各家官方后台也一样能做，就是要开两个页面。

六、给想做类似工具的人

如果你想给家里老人或者自己做一个"听"的工具，我的建议是：

第一步，先别挑服务，先处理文本。 标点、数字、语速这三件事，能解决你八成的"听着不舒服"。做完这一步再挑服务，你会发现试听的时候容易判断得多。

第二步，测首包，不要测总时长。 用户在意的永远是"多久听到第一个音"，不是"整段多久念完"。

第三步，优先选支持流式的。 这一条比音质重要。

第四步，最后才比价格。 到这个阶段你会发现，剩下的选择在体验上已经差不多，那就选便宜的。

七、一个反常识的结论

我原来以为"贵的一定更好听"。试完发现，这五家里，价格和音质的相关性很弱。

真正相关的是：这个服务有没有针对中文做优化。

有一家价格很贵，但中文念起来有明显的外语口音感——它的强项在别的语言上。有一家很便宜，中文却念得很自然，因为它主要服务的就是中文场景。

所以选语音这件事，第一条不是比价，是"它主要服务哪种语言"。

钱要花在你真的听得出来的地方。听不出来的那部分，一分都不值。