Unreal Speech 对比 ElevenLabs

Unreal Speech是一款基于开源Kokoro TTS引擎的生产就绪文本转语音API。它为开发者和企业提供自然的语音合成，成本仅为ElevenLabs、Amazon Polly、Google Cloud和Microsoft Azure的一小部分。该API的音频流传输时间约为300毫秒，支持每次请求长达10小时的长格式任务。

Kokoro运行在一个拥有8200万个参数的解码器模型上，该模型融合了StyleTTS 2和iSTFTNet的思想。您可以选择来自八种语言的48种声音，包括美式和英式英语、普通话、印地语、西班牙语、葡萄牙语、日语、法语和意大利语。每个单词的时间戳功能使应用能够与播放同步高亮显示文本，有助于无障碍、卡拉OK式界面和互动阅读体验。

REST API提供四个端点：/stream用于不到一秒的合成，支持最多1000字符；/speech支持最多3000字符并提供时间戳URL；/synthesisTasks用于异步作业，支持最多50万字符；以及用于实时音频和单词计时的websocket /streamWithTimestamps路由。开发者SDK包括Python、Node.js和React Native，主页提供示例代码。

unrealspeech.com上的Kokoro TTS Studio提供免费浏览器演示，便于在注册前试用语音。付费计划将取消商业音频的归属要求。平台的企业客户每月处理数十亿字符，保证99.9%的稳定性。

ElevenLabs 是一个语音和音频平台，旨在将文本转化为逼真的语音、转录音频、生成音乐，以及部署对话式语音代理。它为创作者、开发者和企业团队提供一个集中平台，用于制作旁白、配音、音效以及面对客户的电话或聊天体验，无需每次项目都使用录音棚或聘请配音人才。

该公司自主开发了语音、转录和音乐模型，而不是依赖第三方API。研究版本如 Eleven v3、Scribe v2 和 Eleven Music 支撑着三个产品线：用于内容制作的 ElevenCreative，用于客户体验自动化的 ElevenAgents，以及为开发者提供 Python 和 TypeScript SDK 编程接口的 ElevenAPI。

该平台主要面向播客主播、视频制作人、游戏工作室和支持团队，支持70多种语言的一致语音体验。企业客户如迪士尼、思科和德国电信等，都在规模化应用中使用该平台进行配音、IVR 和品牌语音体验。