问AI配音工具哪个中文更像真人、哪个英文更像真人，这个问题本身就问偏了。ElevenLabs 的语言列表里同时列着 Chinese 和 Mandarin Chinese，官方页只给语言列表和模型参数，没有分语言的像真度评分。真正能定下来的是场景分工：长文有声书走 Multilingual v2，单次上限 10,000 字符；短视频和实时对话走 Flash/Turbo v2.5，单次上限 40,000 字符、每字符价格低 50%；要广播级音质走专业克隆，样本要 30 分钟以上。猎者出海做英文站、做海外生意，配音这块先分清场景，再谈像不像。
配音不是挑个声音就完了。模型选错，字符上限和价格跟着变；订阅档选错，导出格式会被拦；克隆一个没授权的声音，后面是侵权。这类工具先要分清它是给个人试水，还是给团队走流程。
- 三家定位不同：ElevenLabs 做语音基础设施，Murf 强在多语言配音和办公软件插件，WellSaid 做团队配音流程。
- ElevenLabs 的 TTS 按输入文本的字符数计费，Free 计划每月 10,000 credits。
- 即时克隆用 1 到 5 分钟音频，专业克隆要 30 分钟以上干净样本。
- 未经本人授权克隆他人声音涉及侵权，ElevenLabs 的克隆页写明有声音验证系统确认你有权克隆。
这篇把三家工具按中文、英文、按场景拆开，给一条能照着做的选型和上手路径。想先看整个 AI 工具的分类，从 AI工具 那一栏进。
本文目录
AI 配音工具到底是什么，和「朗读软件」差在哪
官方把这类工具定义成什么
ElevenLabs 在文档里给自己的定义是 AI voice infrastructure，翻成大白话就是一套语音基础设施：文字转语音、语音转文字、声音克隆、语音代理、生成式音频，五块。它不只做「把字读出来」这一个功能，底下是一整套接口。
Murf 的产品线在帮助中心列了四样：文字转语音、变声、声音克隆、API 服务。WellSaid 的定位不一样，官方首页写它是面向团队的配音制作平台，声音来自同意并被付费的真实配音演员录音。
声音库和克隆是两条路
你打开这类工具，第一眼看到的是声音库。ElevenLabs 的文档写维护 10,000+ 声音的库，TTS 产品页写 20,000+ 类人声音，声音克隆页写 17,000+。三个数不一样，因为页面和统计口径不同，用的时候以你登录后看到的库为准。
除了挑现成的，还有两条路：从一段录音克隆，或者用一段文字描述生成一个新声音。官方把声音定义成音频生成里使用的说话人格，每个声音有唯一 ID。
ElevenLabs 的模型和声音细节，AI配音效果实测 那篇讲得更细。
和系统朗读的区别在哪
系统朗读是把字念出来，停顿、重音、情绪基本靠标点。这类工具的 TTS 页按用途分了 Narration、Characters、Conversational、Social Media、Educational、Advertisement & Entertainment 几类场景，每类配不同的声音。使用场景里列了有声书、播客、视频配音、游戏、对话代理、无障碍。
差别不在「能不能读」，在你能不能按场景挑声音、调情绪、控制节奏，以及能不能一次处理上万字符的长文。
ElevenLabs、Murf、WellSaid 三家怎么分工，谁适合你
ElevenLabs：模型多、按字符计费、要写代码也能不写
ElevenLabs 的模型分好几代：Eleven v4、Eleven v3、Multilingual v2、Flash/Turbo v2.5。模型不同，支持的语言数、单次字符上限、价格都不一样，下一节按场景讲。
用法有三条路。不写代码走 ElevenCreative，官方说这是无需写代码的网页应用，创作者、制作人、剪辑师可以在浏览器里生成配音、音乐、配音译制和 Studio 项目。写代码走 SDK 或 API。只想在终端跑一下，用 CLI。按输入文本的字符数计费，具体档位在后面的价格表里。
Murf：多语言配音和办公软件插件是强项
Murf 帮助中心写 TTS 支持 33 种语言和口音下的 300 多种声音，首页写 200+ 表达性声音、覆盖 35+ 语言。一个是产品说明，一个是首页宣传口径，看的时候心里有数。
它有两个特别的入口。一个是在 Canva、Google Slides、PowerPoint 里直接生成 Murf 配音，做课件和演示的人不用来回导文件。另一个是 AI 配音：上传视频或音频，选目标语言，最多 40 种，跑完审阅再导出，还能下载翻译后的转写文本。
Gen 2 模型原生 44.1kHz 采样率，英语声音目录的词级发音准确率超过 98.8%。官方说训练不用公开数据，只用专有数据集。
WellSaid：给团队做流程，不是给个人做单条
WellSaid 官方首页把流程写成五步：找声音、制作配音、审批版本、发布、更新重发。Studio 里可以逐行 QA 每个 take，逐行设节奏、重音和发音，改一次词会在所有文件里保持。
它的发音修法是选中脚本里的词，看建议发音，把想要的存进团队发音库，对所有项目生效。音频原生 48kHz 生成，官方说这是影视和广播标准。
这些功能对一个人做一条短视频是浪费。它的价值在课程、多语言版本、要审批的商用项目。
一句话选型
| 工具 | 定位 | 强项 | 适合谁 |
|---|---|---|---|
| ElevenLabs | 语音基础设施 | 模型多、SDK/API/CLI 三条路、声音库和克隆 | 个人试水、要接进自己产品的开发者 |
| Murf | 多语言配音工具 | Canva、Google Slides、PowerPoint 插件，AI 配音 | 做课件、演示、多语言视频的人 |
| WellSaid | 团队配音制作平台 | 逐行 QA、团队发音库、审批和版本 | 企业课程、商用项目团队 |
这张表只分定位。具体选哪个模型、哪个档位，看你的场景和预算。
中文配音和英文配音，各自适合什么场景
官方只给语言列表，不给分语言像真度评分
ElevenLabs 的 TTS 页写支持 90+ 语言和多种口音，语言列表里同时有 Chinese 和 Mandarin Chinese。Murf 帮助中心写 33 种语言，首页写 35+ 语言。WellSaid 首页写 55+ 语言和口音。
三家都没有给「中文像真度多少分、英文像真度多少分」这种对比。所以「哪个像真人」这个问题，只能按场景、模型参数和你要的成品标准来推，没有官方分数可以直接引。
英文长文和有声书：走 Multilingual v2
官方 TTS 页写 Multilingual v2 支持 29 种语言、单次 10,000 字符上限，面向长文生成。文档里还有一句，长文要最稳定的输出，用 eleven_multilingual_v2。
10,000 字符大概是什么量？按文档对 10,000 字符的折算，约 10 分钟音频。一章有声书几千到一万字符，基本一次能跑完。
英文短视频和实时对话：走 Flash/Turbo v2.5
官方 TTS 页写 Flash/Turbo v2.5 支持 32 种语言、单次 40,000 字符、每字符价格低 50%、超低延迟约 75ms。文档里写首段音频中位延迟约 100ms，这个数字不含应用和网络延迟，用户真正听到声音的时间更长。
短视频一条脚本几百字符，40,000 的上限用不满，但延迟和价格是实打实的差别。做批量短视频、做实时对话代理，走这条。
中文：靠发音词典和脚本改写兜
ElevenLabs 的语言列表里有中文。能用的手段有两个：发音词典，每次请求最多带 3 个定位器；脚本改写，把容易读错的词换成不会歧义的写法。
3 个定位器是硬限制。一次请求最多带 3 个发音词典定位器，超了就得拆请求，或者先在脚本里改掉。这是操作层面的事，不是模型换个名字就能解决。
广告和商业配音：走专业克隆
官方声音克隆页写专业克隆推荐用于有声书、商业配音和任何需要广播级音频的项目，需要 30 分钟以上干净音频样本。即时克隆适合快速内容创作和测试。
商业项目还有一条线：Starter 及以上含商业许可。你要把配音用在客户项目里，先看订阅档，别看功能表。
从注册到导出第一条配音，分几步做
- 先定场景再定模型。长文走 Multilingual v2，短视频走 Flash/Turbo v2.5，商业项目走专业克隆。字符上限和价格差一倍，选错了要么跑不完，要么白花钱。跑到一半报字符超限，换模型或把稿子切段。
- 装 SDK、建 API key、写进 .env。官方给的最短路径是三步：装 SDK，建 API key 并写进项目目录的 .env 文件，生成并保存音频。不想装环境，用 CLI 在终端做同样的转换。也可以把官方给的命令粘进 Claude Code、Cursor 或 Codex，它会登录或建号、建 key、把 SDK 加进项目。
- 不写代码就走 ElevenCreative 网页。浏览器里生成配音、音乐、配音译制和 Studio 项目，不用碰命令行。做一两条短片、试声音，这条路最快。
- 选声音：库、克隆、文字描述三选一。用文字描述生成声音的入口在 Voice -> My Voices -> Add a new voice -> Voice Design，可以调年龄、性别、音高、情绪、语气和整体方向。官方建议库里有合适的声音先用，专业克隆仍是平台最高质量。
- 导出前确认格式和订阅档。192kbps 码率的 MP3 要 Creator 及以上，44.1kHz 采样率的 PCM 和 WAV 要 Pro 及以上。选错格式，请求会被订阅档拦下来。
- 听一遍再决定要不要重生成。内容和部分设置不变的前提下，官方说可能有有限次免费重生成。第一段音频完整听一遍，重点听数字、品牌名、多音字。
这套流程跑顺了，拿去接单是另一回事，路径写在 中文配音接海外单 那篇里。
声音克隆能不能用：先看你要的是哪一种
即时克隆和专业克隆差在哪
即时克隆用 1 到 5 分钟音频，官方说 10 秒录音就能创建一个逼真声音，几秒出副本，适合快速内容创作和测试。专业克隆要 30 分钟以上干净音频样本，质量明显更高，官方说接近听不出和原声的差别。
门槛也不一样。专业克隆要 Creator 及以上订阅。
克隆出来的声音能说几种语言
官方声音克隆页写克隆出来的声音可以自动说 32 种以上语言。你用自己的声音克隆一次，英语、西班牙语这些都能用同一个音色读。
这对做出海内容的人是实用的：一个音色，多个语言版本，不用每个语种重新找人录。
授权这条线不能省
ElevenLabs 的克隆页写有声音验证系统，确认你有权克隆某个声音。Murf 帮助中心写克隆声音的前提是你拥有合法权利。WellSaid 的声音都来自同意并被付费的演员。
未经本人授权克隆他人声音涉及侵权。这不是平台规则的问题，是法律问题。你克隆自己的声音、或者拿到授权的声音，可以用；别人的声音，别碰。
免费计划能克隆吗
所以试是可以试的。但要商用，Starter 及以上才有商业许可；要专业克隆，Creator 及以上。先想清楚是试还是用，再决定要不要付费。
数字和限制：做这件事要盯住的几个数
ElevenLabs 的定价页列了六档，个人用得到的主要是前四档。所有产品共用一个月度 credit 池，TTS 每字符 1 credit，语音转文字每分钟 330 credits，Eleven Music 每分钟 900 credits，音效每次生成 200 credits，变声和声音隔离每分钟 1,000 credits。配音是另一个价：自动配音带水印每分钟 2,000 credits，自动配音不带水印 3,000，Dubbing Studio 带水印 5,000，不带水印 10,000。
| 项目 | 数 | 说明 |
|---|---|---|
| Free | $0，每月 10,000 credits | 滚存不适用 |
| Starter | 首月 $1，之后 $6，每月 30,000 credits | 含商业许可 |
| Creator | 首月 $11，之后 $22，每月 121,000 credits | 含专业声音克隆；年付折算 $18.33/月 |
| Pro | $99，每月 600,000 credits | 44.1kHz PCM/WAV 要 Pro 及以上 |
| 滚存 | 未用 credits 最多滚存两个月，最多 2 倍月配额，余额最高 3 倍 | 要一直保持有效付费订阅，不降级不取消 |
这意味着你充进去的钱不会当月清零，但滚存有上限，攒着不用也攒不出第三个月的量。Free 计划没有滚存，当月不用就没了。
价格不含任何税费。付款方式官方写接受 Credit Card、Apple Pay、Google Pay。年付等于付 10 个月，Creator 折算 $18.33/月，比月付 $22 每月少 $3.67，一年少 $44.04。长期用，年付比月付划算。
常见误区和排查：配音生硬、多音字读错、扣了钱没出活
配音生硬，多数不是模型不行，是场景声音选错、情绪没调、脚本里没有停顿。多音字读错，靠发音词典和脚本改写，词典一次请求能带的定位器有限。这两类问题没有一键修复，只能回到具体那一条音轨上查。
以为不下载就不扣 credits
点生成就扣，跟下不下载没关系。官方定价 FAQ 写明 credits 按生成请求扣，不按下载扣。试声音的时候，先把文本改短再点。
降级或取消把没用完的 credits 作废
周期末作废，没得补。官方写明降级或取消会在当前计费周期结束时作废未用 credits，升级时旧计划未用 credits 会滚进下个周期。要降档，等 credits 用差不多了再降。
格式选错被订阅档卡住
高码率 MP3 和高采样率 PCM/WAV 分属两个更高的档位。导出前先在订阅页确认当前档位，再看 API 文档里格式那一行，别等报错才回头。
传了 language_code 没反应
multilingual_v2 不支持这个参数，传了也不会生效。API 文档写明该参数对 multilingual_v2 模型不支持。要用语言参数，换模型。
指望同 seed 出同结果
同 seed 只是尽力，不保证一样。官方写明 seed 是尽力确定性采样，不保证确定性。要复现，固定文本、声音和设置，别只固定 seed。
混响和声像开了报 400
混响加声像会产生立体声，部分输出格式不收。官方写明对 ulaw_*、alaw_*、pcm_* 输出会以 400 拒绝。要加效果，换输出格式。
一上来就自己设计声音
库里有合适的先用，设计声音排在后面。官方 Voice Design FAQ 写专业声音克隆仍是平台最高质量，库里有合适的建议优先用。先花时间翻库，比先花时间调描述词省事。
以为 Murf 三个高级定制功能一直免费
Variability、Say It My Way、Emphasis 是限时试用，7 月 30 日后要升级计划才能继续用。官方 Gen 2 页写明。做长期项目，先按付费档算成本。
AI 能帮哪几步、哪几步必须人来核
AI 能帮的四步。一是把同一段中文脚本改写成适合英文配音的短句和停顿标记。二是按场景给声音描述词，用于 Voice Design 或声音库筛选。三是把长文按模型字符上限切段，生成前后文摘要，做 previous_text 和 next_text 的衔接。四是把官方 FAQ 和定价页整理成对比表草稿，这类整理资料、对照官方文档的活，猎者出海的AI Agent 能接。
必须人做的三件。一是在 ElevenLabs 后台订阅页确认当前计划和剩余 credits，决定用哪个模型。二是在 Voice -> My Voices -> Add a new voice -> Voice Design 里试听候选声音，选定后保存。三是把生成的第一段音频完整听一遍，重点听数字、品牌名和多音字，决定保留还是改脚本重生成。
三条提示词，本文给的示例，不是官方模板。
一：请把下面这段中文口播稿改写成英文配音稿，每句不超过 15 个词，保留数字和品牌名原样，在需要停顿的地方用 [pause] 标出，输出英文稿和逐句中文对照。
二：我在做英文短视频配音，想要一个 30 岁左右、美式口音、语速偏快、语气自信但不夸张的男声。请按 ElevenLabs Voice Design 的描述方式写 5 条英文声音描述，每条一句话，包含年龄、性别、口音、语气、节奏。
三：下面是一篇 8,000 字符的英文有声书章节。请按每段不超过 5,000 字符切分，并给每段生成一句前文摘要和一句后文摘要，用于配音请求里的 previous_text 和 next_text。
相关文章还有几篇：MiniMax音频套餐、AI配音做英文播客、AI字幕剪辑工具、Suno AI音乐生成。
常见问题
AI 配音哪个好？
按场景选。个人做短视频或播客试水，先用 ElevenLabs 的 Free 计划；做 PPT、课件配音，Murf 的插件入口省事；企业课程、多人审批，WellSaid。没有分语言像真度的官方评分可以拿来横比。
ElevenLabs 中文配音像真人吗？
语言列表里有 Chinese 和 Mandarin Chinese。能说的是模型和场景：长文走 Multilingual v2，短视频走 Flash/Turbo v2.5，中文多音字靠发音词典和脚本改写兜。
AI 配音没有感情怎么办？
能做的三件事：在 Voice Design 里调情绪和语气，按 Narration、Characters 这类场景挑声音，脚本里加停顿标记。调完听一遍，不行就换声音再试。
AI 配音多音字怎么办？
ElevenLabs 用发音词典，一次请求能带的定位器有限，超了就拆请求或改脚本。WellSaid 可以选中词、存进团队发音库，对全项目生效。
AI 声音克隆在线要多少钱？
免费计划通常能创建克隆，每月生成有限音频。要商用，Starter 及以上有商业许可；要专业克隆，Creator 及以上。具体价格看前面那张表。
注册和付款走什么方式？
付款方式官方写接受 Credit Card、Apple Pay、Google Pay 三种。账户开通和扣款按官方页面走，以官方页面为准。
配音这事，工具选对了只是开始。真正决定成品能不能用的，是你有没有按场景选模型、有没有在导出前听一遍、有没有把授权这条线守住。三家没有谁全面赢，各有各的场地。官方一改价，对比表就得重做，整理资料、对照官方文档这种活，猎者出海的AI Agent 能接，省下来的是你听音频的时间。想把流程跑成能接单的手艺，先拿自己的声音克隆一遍，跑通一条完整链路再说。
发表评论