最近后台问配音的人特别多，十个人里有八个的说法是同一句："有没有便宜好用的，你直接推荐一款文字转语音软件给我就行。"
我一开始也图省事，想甩一个名字过去。后来发现真甩不出来。
因为我自己的活儿不是单一的：影视解说要情绪起伏，小说推文一天要出两万字的音频，偶尔还要给英文素材配旁白。我前前后后把这五款挨个装了个遍，同一段文案反复喂，钱花了大概三百多，坑踩得比较全。这篇就把真实体验写下来，好的坏的一起说，没有顺序排位，也没有谁是我"主推"的。
先给你们一句话结论：没有一款能通吃，别指望找到一个答案。 谁跟你说"这一款全场景碾压"，你直接划走。
我是怎么测的
固定一段文案，三种类型各一段：
一段电影解说（有反转、有情绪落差）；一段小说推文（两个人对话，一男一女）；一段带数字和单位的科普（"2019年GDP达98.6万亿元，同比增长6.1%"）。
同一段文字丢进不同工具，不看官方demo，只看我自己导出来的音频。这一点很重要，很多工具的官网试听片段都是精调过的，你实际粘进去的效果完全是两回事。
逐个说
1. 剪映：最适合"顺便配个音"的人，但它不是配音工具
我用剪映最多，但我给它的评价不是"好用"，是"方便"。
入口在文本里，新建文本，选中轨道点文本朗读，配音直接落在时间轴上，字幕和画面对齐这事它免费帮你做了。对已经用剪映剪视频的人来说，这是最大的价值——省掉了导出再导入的折腾。语速0.8到1.5倍、音调档位、多音字手动标，能调的东西都在。
但短板很清楚：
免费音色和付费音色是两拨人。基础旁白音色不收费，也没有字数限制；带情绪标签的那些、二次元声线、多语种，要会员。会员价我看到过二十多和三十上下两种说法，年费也从一百六到两百多都有，渠道不一样，你们以App里自己那个页面为准，别照抄任何人给的数字。另外单条文本建议别超过五百字，超过三千字它会明显卡顿、断句变生硬，我第一次遇到这个是在深夜赶稿的时候，很难受。
它不支持声音克隆，不支持多角色一键分配，没有批量导出。这两条直接把小说推文党劝退了——两个人对话你得手动拆段落分音色，一集二十分钟的视频你要点几十次。
我的结论：偶尔出片、追求快，剪映是性价比最高的选择，因为它不要钱也不要你换工具。但别把它当专业配音软件用。
2. 讯飞配音：音色确实端正，但免费版基本等于"试听版"
讯飞的语音技术积累不用我讲，正式播音类音色是这几款里最稳的，新闻播报感、宣传片旁白感，别的工具做不出来。标准度、生僻字识别也确实好。
问题是免费的部分太薄。
免费音色基本就小峰男声、小燕女声这两个，稍微好用点的都要付费。免费额度导出的音频带平台水印，去水印要开会员。配音会员45元一个月，一天80次合成、单次一万字符，这个价格其实不算坑，怕的是你以为是会员就全解锁——部分主播音色和数字人权益是另外收费的，会员体系里还有69、399、2999几档，我第一次看那个页面直接懵了。
还有一个我踩过的细节：断句只能用标点，不能用空格。它支持停顿标记、多音字标注这类语法，专业是专业，但对普通创作者是学习成本。另外导出统一是MP3，作品还要审核，最长12小时——我有一次是晚上做完等第二天早上才拿到文件。
我的结论：给企业、给正式项目做旁白，讯飞值那个钱；自己偶尔做短视频，免费版会让你一直点"开通会员"。
3. MiniMax（海螺）：拟人度最惊喜，成本要看清计费口径
这篇里我第一次听到想重听的是它。它的好处是"没有机器味"——会换气、会带情绪转折，一句话里可以从平静转到激动，还有叹气、停顿这类语气词可以插入。支持直接读PDF、TXT和网页，长文本能力强，我查到的输入上限能到十几万字符级别，做有声书的人应该会很在意这个。克隆音色只需十几秒样本。
但你们一定要看清楚钱怎么算：API口径是每万字符三块五左右，另外克隆一个音色收9.9元，是在你第一次用这个克隆音色合成时扣的。也就是说，音色越多，一次性成本越高。海外版有每月免费点数，具体额度我不写死，这类数字平台改得很频繁，你去页面看当天的。
还有个实际问题：情绪和停顿是靠插入符号控制的。效果好是真的好，但你要出一百条音频，就是手打一百遍符号。它不是"粘贴即出片"的工具，是"愿意调的人能得到最好结果"的工具。
我的结论：追求音质上限、能接受调参成本，它是被低估的那个。追求省事，它会让你烦。
4. ElevenLabs：英文天花板，中文别指望
英文旁白、纪录片质感、角色音色库规模，它确实是这几款里最高的，90多种语言、上万个音色。免费档每月1万点数，大概十分钟音频，起步付费6美元。
但我用它做中文，效果对不起我的预期。中文断句和声调会有种"外国人很努力在说普通话"的感觉，个别字词会读得奇怪。另外支付、界面、网络环境这些门槛对国内普通创作者是真的门槛，我有个朋友为了用它折腾了半小时最后回去用剪映了。
我的结论：做英文出海内容，闭眼用；纯中文，没必要为它折腾。
5. 悄然声色：定位比较窄，但对上场景就省事
这款它和我用的的另外四款用法不一样。它主打的是人声克隆 + 推文/有声书配音这条线，App和网页都有，Android、iOS都能用。
我实际用下来的感受：录了少量语音样本就能出一个像那么回事的声音模型，这个门槛是它最大的优点。做小说推文最烦的是什么？是"我的账号得有辨识度"，而剪映那种公共音色是所有人都能用的，同质化严重。克隆一个只属于自己的声线，这件事在这上面比我自己搭开源模型轻松太多——我为了部署一个开源克隆模型烧过一整个周末，显卡风扇响了一晚上，最后出来的东西未必比这个好用。
它适配的场景也确实是推文、有声书、影视讲解这类长音频，不是给企业做宣传片旁白的。
该说的不足也说清楚：
第一，它名气小，更新节奏、长期稳定性我没办法像对讯飞、剪映那样给你保证。买年费之前别问我，问你自己能不能承受风险。
第二，克隆出来的相似度别期待百分百，样本录音的环境噪音会直接反映在成品里。我第一次传的样本背景有空调声，出来的音频底噪一直在。
第三，也是最重要的一条：商用授权条款你必须自己读完。 克隆声音这件事在2026年是监管重点，具体我在下面单写。
我的结论：如果你的活就是小说推文、有声书这类长内容，想要一个自己的稳定声线，它值得你亲自去试一遍，比剪映的公共音色更有辨识度。如果你的需求是偶尔一段旁白，那不用为它单独装软件。
我最后搭出来的工作流
不是选出一款最好的，是让它们各干各的：
文案定稿 → 用剪映做字幕和画面对齐（免费那部分）→ 需要情绪起伏的影视解说换MiniMax调一版 → 小说推文用悄然声色的克隆声线批量出长音频 → 英文素材单独走ElevenLabs。
这个组合我大概花了三百块摸出来的，但比一开始想找"一款解决所有问题"省了不知道多少返工。
两个必须提醒的坑
一、AI配音现在强制标注
《人工智能生成合成内容标识办法》已经施行，AI合成音频要加显式标识（片头/片尾语音提示或界面提示）+ 文件内置的隐式溯源标识，不能遮挡、不能删除。抖音要求片头3秒内显著位置标注加全程角标，快手是全程角标，具体规则各平台还会微调，发布前自己去平台创作规则页确认。
漏标的后果我讲过给身边人：首次可能下架限流，多次刻意规避是封号。别为了画面干净省这一步。
二、克隆别人的声音是法律风险，不是"效果好不好"的问题
现在十几秒就能复刻一个可识别的自然人声线，所以这条我要重点写：
未经本人书面授权，不要克隆明星、网红、配音演员的声音，"我没拿来商用"不构成免责。也不要截取影视剧原声去做克隆和二创，平台版权比对系统已经在跑了。
克隆自己的声音没问题，但建议把录音源文件留着，证明是你本人授权。用工具前把它的用户协议里"声音数据来源、留存期限、二次训练"这几段读一遍，尤其是小众工具。
结尾
所以回到你们问我那个问题——让我推荐一款文字转语音软件，我给不了。不是敷衍，是我真的觉得这五款服务的是五种不同的活，把它们放一个排行榜上排1234是误导。
我把我的选择标准放这儿，你们对号入座：
只偶尔配音、图省事 → 剪映，先别花钱。
要正式播音感、预算明确 → 讯飞。
要情绪、要拟人度、愿意调 → MiniMax。
做英文出海 → ElevenLabs。
做推文和有声书、想要自己的声线 → 自己试一遍悄然声色，读完授权条款再决定买不买。
你们现在在用什么工具、卡在哪儿？评论区说说，我按你们的场景再补一期实测。
