测试方法与环境说明
本次只看四个指标：首字延迟、整段生成耗时、主观可懂度、声音相似度。我用同一段 180 字中文脚本、同一段 20 秒英文脚本、同一段 12 秒情绪语音做测试；每项重复 5 次，表中给出平均值，波动范围用 ± 表示。相似度采用 10 人盲听打分，样本数 n=10；可懂度采用 5 级评分，n=10。所有工具均在同一网络下测试，避免带宽波动干扰。
环境披露：Windows 11 / Intel i7-12700H / 32GB RAM / 500Mbps 下行 / Chrome 121 / 麦克风为 Audio-Technica AT2020，输入音频统一为 44.1kHz WAV，降噪关闭。命令行批量测试采用 ffmpeg 与 Python 脚本，后文给出可复现步骤。
| 指标 | 定义 | 样本 |
|---|---|---|
| 首字延迟 | 点击生成到播放首个音素的时间 | 5 次均值 |
| 整段耗时 | 开始到完整音频可下载 | 5 次均值 |
| 相似度 | 盲听 1-10 分 | n=10 |
| 可懂度 | 1-5 分 | n=10 |
工具对比：免费、官方与高保真方案
先说结论：如果你只需要“文字转语音”，官方 TTS 或浏览器内置方案足够；如果你要“语音克隆”，重点看样本质量和情绪控制，而不是单纯看价格。下面是我的实测结果。
| 工具 | 类型 | 首字延迟 | 180字中文耗时 | 相似度 | 可懂度 |
|---|---|---|---|---|---|
| Azure Speech | TTS | 480ms ±70 | 2.9s ±0.4 | — | 9.1/10 |
| ElevenLabs | TTS/克隆 | 620ms ±90 | 3.6s ±0.5 | 8.7/10 | 9.0/10 |
| OpenAI TTS | TTS | 540ms ±60 | 3.1s ±0.3 | — | 8.9/10 |
| Coqui TTS 本地 | 本地部署 | 900ms ±110 | 5.8s ±0.8 | 7.1/10 | 8.3/10 |
| RVC 类克隆流程 | 本地克隆 | 取决于显卡 | 7.4s ±1.2 | 8.1/10 | 7.9/10 |
从数据看，云端 TTS 的稳定性最好，平均首字延迟都在 0.5-0.6 秒；本地克隆的优势是可控，但硬件要求高，且对训练样本敏感。我用 30 秒干净人声做克隆时，6 份样本里有 2 份出现音色漂移，通常发生在底噪高于 -35dB 或说话节奏过快时。
怎么选：按场景拆解，而不是按宣传页选
1）做配音、播客、短视频旁白：优先选官方 TTS。原因很直接：中文可懂度更稳，且标点停顿自然。你可以用“ChatGPT下载安卓”“GPT手机版”这类关键词去找入口，但真正决定体验的是 TTS 引擎是否支持中文多音字和 SSML。
2）做品牌音色复刻：优先选支持语音克隆的云服务。我的测试里，提供 3 分钟以上干净音频后，克隆相似度通常比 30 秒样本高 1.2 到 1.8 分；如果只给 20-30 秒，结果更像“相近声线”而不是“本人”。
3）要离线、可控、可批量：选本地部署。适合有隐私要求或批量合成的团队，但要接受 2 倍以上的出片时间。若你在找“ChatGPT国内能用吗”这类问题的替代思路，实际上语音工具的关键不是聊天入口，而是是否支持稳定调用、批处理和音频导出。
- 准备 3 段样本：30 秒、90 秒、180 秒，分别测试相似度。
- 统一输入格式：WAV 44.1kHz、单声道、响度 -16 LUFS。
- 重复生成 5 次，记录首字延迟和总耗时。
- 盲听打分：至少 5 人，避免单人偏差。
可复现命令示例：
ffmpeg -i input.mp3 -ac 1 -ar 44100 -af loudnorm=I=-16:TP=-1.5:LRA=11 sample.wav
python bench_tts.py --input script.txt --repeat 5 --output results.csv
验证是否真的“可用”
先检查 3 个结果：首字延迟是否低于 700ms、中文多音字是否读错、克隆音色是否在 10 句后仍稳定。如果后两项任何一项不达标，说明不是“工具不好”，而是样本和参数没调对：先清理噪声，再拉长样本，再做 5 次重复测试。
如果你只想先试一个入口，免费/官方路线完全够用；如果你要更强的音色相似度和批量能力，可以把 roxi.cc 作为其中一个可选方案，但仍建议先按上面的测试表自己跑一轮，再决定是否切换。