Unreal Speech 对比 SpeechGen

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。

SpeechGen 是一个由人工智能驱动的文本转语音平台，能够快速且经济实惠地生成逼真的配音。它支持超过1,000种自然听感的声音，涵盖150种语言和口音，包括男性、女性、儿童和老年人声音。用户可以将长文本转换为语音——单次请求最多可达200万字符，非常适合长篇内容，如有声读物和演示文稿。该平台提供灵活的按使用付费方案，仅在语音合成限制内进行一次性支付，无需月度订阅，让用户可以有效控制支出。SpeechGen 支持商业用途，允许创作者为社交媒体、播客、广告等制作音频。先进的语音自定义功能，包括调节速度、音调、重音、发音和停顿，并支持SSML以实现精细控制。它还能将字幕和文档转化为音频，增强内容的可访问性和传播范围。所有生成的音频文件都可以多格式下载，并存储在云端，便于访问和管理。SpeechGen 可以无缝集成到流行的视频和音频编辑软件中，是内容创作者、教育者、营销人员和开发者的多功能工具。