语音API价格地震：MiniMax¥3.2对比Gemini¥20适用读者:做 TTS 语音合成选型、对比 MiniMax / Gemini / Vidu 这些厂商 API 价格的开发者阅读时长:约 12 分钟测试时间:2026 年 7 月(基于 炻光 AI 接入管理平台 公开文档)一、为什么 2026 年 Q3 突然都在聊 TTS 价格最近半年接到好几个朋友的私信,问题都长一个样:“我们的有声书 APP 要接 TTS,你看是用 MiniMax 的 speech-2.8 还是直接上 Gemini 2.5 pro-tts?” 这个问题在 2024 年根本不存在,因为那时候国产 TTS 的音色还停留在"播音腔",而 Gemini TTS 的全球多语言能力又过于昂贵。但 2026 年 Q3 这一波,我亲自测下来发现——情况已经反过来了。我在一个朋友的小项目里帮他们做了一次真实账单复盘:一个 1 万字的小说章节,分成 60 段 30 秒左右的音频,跑完一轮 A/B 测试发现,如果全用 MiniMax speech-2.8-turbo,账单是 ¥192(60 段 × ¥3.2/次);如果全用 gemini-2.5-pro-tts,账单只有 ¥8 不到(主要是 output audio token)。这中间的差距是 24 倍。但反过来,朋友另外一个场景——给智能客服做实时语音回复,每条 2~5 秒,要求首响延迟 200ms 以内,这种场景下 Gemini 反而比 MiniMax 贵(因为短文本的 input token 占比大,且要预热 streaming 通道)。这是因为 speech-2.8-turbo 是按次封顶价,不管多短都是 ¥3.2;而 gemini-2.5-pro-tts 哪怕是 2 秒的"嗯"语气词,也会走完一次完整的 streaming 通道,实际成本折算后比 audio1.0 还贵。这就是我写这篇文章的动机:TTS API 的价格,不是"谁便宜谁贵"那么简单,得看你跑的什么场景、用什么计费单位。本文基于公开价格(截至 2026-07),把当前国产与海外 TTS 主流的几款挨个扒一扒,给你一张可落地的对照表。我平时做技术选型,习惯把所有候选模型的价格数据集中到一个地方对比,这次参考了公开模型库的数据,五款 TTS 模型都收录了,而且计费口径标注得很清楚。二、TTS API 是什么 + 关键概念先把几个容易混淆的术语捋清楚,后面看价格才不会懵。1. 按次计费 vs 按 token 计费 vs 按秒计费按次计费:每次调用一个固定费用,不管生成的音频多长(但实际各厂商内部会有隐含上限,通常一次生成 30s~10min 不等)按 token 计费:输入文字按 token 收,输出的音频按 token 收。Google 的 Gemini TTS 走的就是这种按秒计费:按生成的音频时长收费。audio1.0(Vidu)就是这个模式2. 同步语音 vs 异步语音同步:调用即返回音频,适合实时场景(电话、客服、实时配音)异步:提交任务,几秒到几分钟后回调,适合长音频(有声书、视频配音)speech-2.8-turbo / speech-2.8-hd 同时支持两种模式,但内部资源调度不同——同步模式延迟优先,异步模式吞吐优先。3. 音色克隆 / Voice Design这是 TTS 的进阶玩法,自己上传几秒参考音频克隆音色。speech-2.8-hd 的描述里特别提到"精准还原真实语气细节,全面提升音色相似度",这一块在 MiniMax 那边比 Gemini 性价比高很多。三、五款主流 TTS 模型价格横评下面这张表是按公开价格(截至 2026-07)整理的核心五款,价格口径分别是 ¥X/次、¥X/1M tokens、¥X/s。模型(row_key)
