TTS语音合成成本估算器

本地处理

TTS 按字符数计费，不按分钟。中文一个字算一个字符，英文一个字母也算一个字符——所以同一段内容的英文字符数通常是中文的 2–3 倍，成本也随之抬高。

文本字符数

语速（字符/分钟）

生成份数

美元汇率

语音服务（美元/百万字符）

总字符数

成本(美元)

折合人民币(元)

音频时长(分钟)

语音服务	单价	本批成本	折合每小时音频

总字符数 = 文本字符数 × 生成份数；成本 = 总字符数 ÷ 1,000,000 × 单价；音频时长 = 字符数 ÷ 语速。中文播报语速常在 220–280 字符/分钟，英文有声书约 150–180 词/分钟。

TTS 为什么按字符计费

因为合成的计算量几乎完全由输入文本长度决定——文本越长，生成音频的耗时和算力越多。按字符计价既好理解又好结算，所以成了行业统一做法。

价格差了整整两个数量级，但适用场景完全不同：批量朗读用低价档足够，品牌广告片、有声书这类「听众会认真听」的内容，多花的钱能直接听出来。

按字符而不是字数算：中文 1 字 = 1 字符，英文 1 字母 = 1 字符。一段 300 字的中文约 300 字符，译成英文大约是 800–900 字符。
先做一遍清洗：Markdown 符号、代码块、脚注编号都会被读出来。去掉这些通常能省 5%–15% 的字符量。
试听再批量：先用 500 字符试听确认音色和断句，确认后再跑全量——重跑一次的代价远高于试听的时间成本。

还有一个隐形坑：改稿就要重合成。文本改一句话，那一段音频必须重生成。做长音频项目时，建议按章节切分并记录每段的字符数，便于只重跑受影响的部分。

多数服务按合成字符数或时长计费，部分按调用次数；长文本有声内容应按总字数估算，试听与调试的调用也要计入。

复用已合成的片段（片头、固定播报）、按需要选不同音质档位、对超长内容做分批与缓存；批量任务用离线包通常比实时接口便宜。

商用前确认音色授权范围（是否允许商业用途、是否需要标注）；克隆类音色需取得被克隆者同意，避免侵权与合规风险。