Eleven v4 Turbo 评测：最好的 TTS？对比 Qwen-Audio、Gemini TTS 与本地 Fish Drama 3
Eleven v4 Turbo 是 ElevenLabs 的实时语音合成模型。按 Artificial Analysis 语音竞技场（2026-11-01 读取），它以 Elo 1336 排在第 1。但榜单上有一个重要的细节：它与排第 2 的 Eleven v4（1334）的置信区间重叠，统计上是平手，而不是明确领先。再者，这个第一名的价格是每 100 万字符约 40 美元，排在后面的几个模型有的只要它的一半不到。本文把榜单、价格、延迟和本地替代放在一起，重点回答：如果你做的是本地语音助手或有声内容，什么时候值得付 ElevenLabs 的钱，什么时候应该用能下载的模型。
核实说明：榜单与价格读取自 Artificial Analysis 语音竞技场（2026-11-01）；ElevenLabs 模型能力、延迟与字符限制读取自其官方文档的模型页；Fish Audio Drama 3 的参数与延迟读取自 Hugging Face 上的模型卡（数据为官方在 H200 上测得）。我们没有自己合成或听评过音频，没有主观音质评价；成本是我们的算术。ElevenLabs 自家的订阅价格没有在本文核实，价格均取自榜单列出的每 100 万字符价。
要点速览（更新于 2026-11-01）
- 榜单：Eleven v4 Turbo 1336（±16），Eleven v4 1334（±15），两者统计上持平；Qwen-Audio-3.1-TTS-Plus 1305，Sonic 3.6 为 1296。
价格：Eleven v4 Turbo 约 40 美元每 100 万字符，v4 约 80 美元；Gemini 3.8 Flash TTS 约 16.5 美元，Fish Drama 3 约 15 美元，Kokoro 82M 约 0.65 美元。
本地：开放权重里最强的是 Fish Audio Drama 3（Elo 1278，35B MoE、每 token 激活 3B）；官方在一块 H200 上单路首包延迟 p50 为 88.9 毫秒。
先看结论：并列第一，但不是最便宜
| 排名 | 模型 | Elo | 每 100 万字符（美元） | 备注 |
|---|---|---|---|---|
| 1 | Eleven v4 Turbo | 1336（±16） | 40 | 2026 年 9 月，实时型 |
| 2 | Eleven v4 | 1334（±15） | 80 | 与 v4 Turbo 在置信区间内 |
| 3 | Qwen-Audio-3.1-TTS-Plus | 1305 | 19.3 | — |
| 4 | Sonic 3.6 | 1296 | 49 | — |
| 5 | Gemini 3.8 Flash TTS | 1283 | 16.5 | — |
| 6 | Fish Audio Drama 3 | 1278 | 15 | 开放权重中最高 |
| 9 | Lightning V3.1 Pro | 1266 | — | — |
| 23 | Eleven v3 | 1188 | 100 | 上一代 |
| 62 | Kokoro 82M v1.0 | 1062 | 0.65 | 榜上最便宜 |
这里有三个值得注意的点。第一，v4 Turbo 与 v4 只差 2 分，而误差是 ±15 到 ±16，所以二者在偏好上等价；但 v4 Turbo 价格是 v4 的一半，且按官方文档是”最具表现力的实时模型”，中位延迟约 100 毫秒（不含应用与网络延迟）。第二，榜单的价格是 Artificial Analysis 列出的数字，具体计费以 ElevenLabs 的订阅为准。第三，前六名的 Elo 跨度是 58 分，不算大：按标准 Elo 换算（我们的假设），v4 Turbo 对 Fish Drama 3 的单次偏好约 58%，对 Qwen-Audio-3.1-TTS-Plus 约 54%，对 Kokoro 约 83%。
ElevenLabs 官方文档里的 v4 Turbo
读取官方模型页后的要点：Eleven v4 Turbo 面向实时合成，中位延迟约 100 毫秒，支持 90 多种语言，支持高保真声音克隆和用于精细控制的音频标签，通过 Text to Dialogue WebSocket 使用。作为对照，Eleven v4 的单次请求上限为 10,000 字符，更适合有声书与角色配音；Flash v2.5 延迟约 100 毫秒、支持 32 种语言，单次可达 40,000 字符，API 价格低 50%。文档还说，Flash v2.5 默认关闭文本规范化（数字、日期、电话），企业用户可开启，所以做电话号码播报时要特别注意。
成本：一个语音智能体与一本有声书
用榜单价格做两个算例（我们的算术，不含订阅差异与重试）。
算例一：语音智能体。 ElevenLabs 文档的压测示例假设每次 TTS 调用约 150 字符。假设每通电话 10 轮、每月 10,000 通电话，总计 1,500 万字符：
| 方案 | 每 100 万字符 | 月成本（1,500 万字符） |
|---|---|---|
| Eleven v4 Turbo | 40 美元 | 约 600 美元 |
| Gemini 3.8 Flash TTS | 16.5 美元 | 约 247.5 美元 |
| Fish Audio Drama 3（榜单价） | 15 美元 | 约 225 美元 |
| Kokoro 82M（榜单价） | 0.65 美元 | 约 9.75 美元 |
算例二：50 万字符的有声书。
| 方案 | 费用 |
|---|---|
| Eleven v4 | 约 40 美元 |
| Eleven v4 Turbo | 约 20 美元 |
| Qwen-Audio-3.1-TTS-Plus | 约 9.65 美元 |
| Fish Audio Drama 3（榜单价） | 约 7.5 美元 |
| Kokoro 82M（榜单价） | 约 0.33 美元 |
结论：做一次性的有声内容，成本差异不大，直接选质量；做持续运行的语音智能体，价格会按月累积，质量与价格之间要做取舍。
本地能用什么：Fish Audio Drama 3 与 Kokoro
| 模型 | 规模与特点 | 实测数据 | 说明 |
|---|---|---|---|
| Fish Audio Drama 3 | 35B 参数 MoE，每 token 激活 3B；专家为 FP8，其余为 bf16；一段文本最多 16 个角色；支持声音克隆与自然语言控制 | 官方在一块 H200 上：单路首包延迟 p50 88.9 毫秒，实时因子 0.131；16 路并发 p50 为 210.1 毫秒；64 路 p50 为 450.9 毫秒、p95 为 1,020.1 毫秒 | Fish Audio Community License，商用条款请自行阅读；模型卡未给出最低显存，不要自行假设 |
| Kokoro 82M v1.0 | 8200 万参数的小模型 | 榜单 Elo 1062，每 100 万字符约 0.65 美元（榜单价） | 体积很小，但与榜首差 274 分 |
Drama 3 的模型卡说明，它在 SGLang-Omni 与 vLLM-Omni 上都支持，并且用第二块 GPU 放声码器时，256 路并发的吞吐提高约 72%，中位首包延迟降低 37%。这些都是 H200 级别的数据：如果你只有消费级显卡，我们没有找到 Drama 3 在消费级显卡上的官方数据，所以不下结论。想看这类服务的部署，可参考 vLLM 与 SGLang 入门、本地模型 API 服务器；硬件见 RTX PRO 6000 工作站。如果文本含有隐私内容，本地合成的好处见本地 AI 与隐私。
榜单怎么读：竞技场、置信区间与”听感”
Speech Arena 的做法是让听者对同一段文本的两个合成结果做盲选，再据此计算 Elo。读这类榜单要记住两件事。首先，榜单测的是整体偏好，而不是某个具体指标：它不会告诉你一个模型读电话号码是否出错、中文多音字是否读对、长文本是否会漂移。其次，置信区间决定了名次是否可靠：v4 Turbo 为 ±16，v4 为 ±15，两个区间完全重叠，所以把它们的先后顺序当成事实是不严谨的。如果你想进一步了解如何阅读评测榜单，可以看怎么读模型评测榜单。
实时语音智能体的延迟预算
做语音智能体时，用户感受到的”响应速度”是几个环节叠加的结果：语音识别把话转成文字，大语言模型生成回复，语音合成把回复读出来，再加上网络传输。TTS 的首包延迟只是其中一环，所以厂商公布的”约 100 毫秒”并不等于用户听到声音的时间。ElevenLabs 文档也特别说明，这个数字是中位值且不含应用与网络延迟。实践中，如果你的大语言模型本身要几百毫秒才吐出第一个词，那么把 TTS 从 100 毫秒优化到 50 毫秒的收益有限；更有效的做法是让 LLM 流式输出，并让 TTS 一句一句地合成，这样第一句话在模型还在生成后半句时就已经开始播放。
另外，并发限制决定了你能同时服务多少路：ElevenLabs 文档列出了各订阅档位的并发上限，并给出经验法则，并发上限为 5 时大约能支撑 100 路左右的同时在线语音广播，原因是音频生成速度远快于播放速度。我们建议在上线前，用文档里”模拟用户而不是模拟请求”的压测思路，自己跑一遍。
按场景选择
| 场景 | 建议 | 理由 |
|---|---|---|
| 实时语音客服或助手 | Eleven v4 Turbo，或更便宜的 Gemini 3.8 Flash TTS | 前者榜单第一且延迟约 100 毫秒；后者价格不到一半，榜单第 5 |
| 有声书与角色配音 | Eleven v4 或 Qwen-Audio-3.1-TTS-Plus | v4 单次上限 10,000 字符；后者价格约为 v4 的四分之一 |
| 多人广播剧 | Fish Audio Drama 3 | 一段文本最多 16 个角色，可本地部署 |
| 数据不能出本机 | Fish Audio Drama 3 或 Kokoro 82M | 开放权重 |
| 极致低成本的提示音 | Kokoro 82M | 榜单价格约 0.65 美元每 100 万字符，但与榜首差 274 分 |
本地部署的现实考虑
开放权重不等于便宜。Drama 3 是 35B 参数的 MoE，官方数据来自 H200，这意味着要自己跑，需要的是服务器级显卡而不是游戏卡；而且为了让首包延迟稳定，官方还建议在高并发时把声码器放到第二块 GPU 上。算成本时要把显卡租金、电费和运维时间都算进去：如果你每月的合成量只有几百万字符，榜单上每 100 万字符 15 美元的价格意味着总账单不到一百美元，自建几乎不可能划算；自建的理由应当是数据留存、定制声音和离线运行，而不是省钱。
自己复现：TTS 对比的测试方法
我们没有听评过这些模型，下面是你可以直接执行的流程。
- 准备 30 段文本：10 段中文新闻、10 段英文对话、5 段带数字与日期（电话号码、金额）、5 段情绪化台词。
- 统一输出格式：同样的采样率与音量归一。
- 可懂度：用同一个语音识别模型转写合成音频，计算字错误率；这不依赖主观判断。
- 盲听偏好：打乱顺序，请 5 位听者成对挑选，统计胜率。
- 延迟：记录首包延迟（从发出请求到收到第一段音频），在你的真实并发下取 p50 与 p95。
- 数字与专名：单独统计电话号码、日期、品牌名的读错率。
- 算成本：云端按字符计，本地按 GPU 租金或折旧加电费除以合成的字符数。
您好，您的订单 20261101-0087 已发货，预计 11 月 3 日下午送达，
金额 1,299.50 元。如需修改地址，请在两小时内回复“修改”。
[laughs] Thanks for your patience, and have a great day!
常见错误
- 把”榜首”读成”明显领先”：v4 Turbo 与 v4 只差 2 分，置信区间重叠。
- 用榜单价格当作账单：具体计费以厂商订阅为准。
- 忽视数字与日期的规范化：Flash v2.5 默认不规范化，电话号码可能读错。
- 拿 H200 的延迟推断消费级显卡：Drama 3 的数据只对应 H200。
- 只听英文样例：如果你的用户说中文，一定要用中文文本盲听。
相关阅读
常见问题：Eleven v4 Turbo
Eleven v4 Turbo 是最好的 TTS 吗？
在 Artificial Analysis 语音竞技场它以 1336 排第 1，但与 Eleven v4（1334）置信区间重叠，统计上平手。
Eleven v4 Turbo 多少钱？
榜单列出每 100 万字符约 40 美元；Eleven v4 约 80 美元。具体计费以 ElevenLabs 为准。
延迟是多少？
ElevenLabs 文档称中位延迟约 100 毫秒，不含应用与网络延迟。
有能本地运行的 TTS 吗？
有。榜单上开放权重最强的是 Fish Audio Drama 3（1278），官方在 H200 上测得单路首包延迟 p50 为 88.9 毫秒；也有体积很小的 Kokoro 82M（1062）。
Drama 3 能商用吗？
它使用 Fish Audio Community License，具体商用条款需阅读许可证文件，本文不作结论。
哪个性价比最高？
Qwen-Audio-3.1-TTS-Plus（1305，约 19.3 美元）与 Gemini 3.8 Flash TTS（1283，约 16.5 美元）是榜单上”接近第一而便宜得多”的选项。
和我们聊聊
在为产品选语音合成方案？欢迎到社区交流，或者发邮件到 admin@microaione.com。
参考资料：Artificial Analysis 语音竞技场、ElevenLabs 官方文档：模型、Hugging Face：fishaudio/drama-3。
