同一段中文稿子：ElevenLabs 免费版和本地开源模型 Qwen3-TTS 对比实测

声音克隆那篇文章最后留了个问题：付费服务会不会比笔记本上的免费模型更好？这次我把同一段稿子分别交给 ElevenLabs 免费版和 Qwen3-TTS，用程序分析，也用耳朵听。

怎么测的

稿子是我一条科普视频里的 5 句旁白，一共 184 个字，讲的是把 AI 助手 Muse 接入飞书。里面有逗号、冒号、用顿号隔开的一串动作，还有 4 次英文单词 Muse。配音最容易在这些地方出问题。

ElevenLabs 用的是免费版，默认模型 Eleven v4，设置全用默认（稳定性 50%，相似度 75%）。我在声音库里筛选中文、按使用人数排序，选了用的人最多的北京普通话男声 Jason Chen（8.37 万人在用），再加一个女声 Amy（3.86 万人在用）。

每点一次「生成」，它会把整段稿子生成两个版本。

笔记本这边用了 Qwen3-TTS 的两种声音。一种是 CustomVoice 模型自带的预设声音 dylan，要求它用标准普通话、像科技新闻主播那样念，生成两遍。另一种是上一篇里我自己的克隆声音，用的是当时挑出来最好的那一遍。

一共 7 个版本：ElevenLabs 4 个，预设声音 2 个，克隆声音 1 个。

怎么比的

先用程序逐个分析。语音识别（Paraformer）把音频转回文字，找出念错的字；再数 0.15 秒以上的明显停顿，和稿子里大约 20 个标点对比；另外量了语速和音高起伏。

然后我把 7 个版本挨个听了一遍，排了名次。

结果

每个版本里，语音识别都把「它」写成了「他」。两个字读音一样，不算错。

几个明显的差别

本地预设声音处理不了中文句子里的英文。语言设成中文时，它把 Muse 念成类似「缪子」「缪斯」的音，两遍一共 8 处，处处如此。ElevenLabs 和我的克隆声音念的都是英文。如果你的中文稿子里有英文产品名，先测这一点。

ElevenLabs 几乎每个标点都有停顿：Jason Chen 20 处，Amy 18 到 19 处。我的克隆声音停顿最少、语速最快，很多逗号是一口气念过去的，它也是我排在最后的那个版本。光看数字说不清它为什么听着最差，但停顿这一项它差得最明显。

音高起伏是本地预设声音最大，克隆声音最小，ElevenLabs 在中间。起伏最大和最小的两个，正好是我排在最后的两个。

Amy 第 2 版里，语音识别把「开机器人」听成了「在机器人」。可能是念错了，也可能是识别出错。

ElevenLabs 也快得多：不到 8 秒就生成了整段稿子的两个版本，而本地模型在我的 CPU 上生成同样长度的一遍要 176 到 184 秒。

免费版的额度和限制

184 个字的稿子，每生成一次扣 184 积分，给两个版本。免费版每月 1 万积分。ElevenLabs 价格页估算这些额度大约能生成 10 分钟语音，但中文每个字包含的语音更多：这次测试里 184 积分生成了大约 35 秒，算下来每月能生成半小时左右的中文。

免费版没有商用许可，所以这篇文章里没有放 ElevenLabs 的试听。它也不能克隆声音，快速克隆和商用许可都要从 Starter 版开始，每月 6 美元（我测试时首月 1 美元，优惠到 11 月 8 日）。

该选哪个

这次测试里，ElevenLabs 自带的普通话声音最自然，速度也快得多。免费版足够拿自己的稿子试一试；要用在赚钱的视频上，得开 Starter 或更高的版本。

ElevenLabs

配音与音频有免费版；Starter 每月 6 美元起

在线 AI 配音服务，声音库很大，中文声音就有 2500 多个。

评价

对比测试里中文配音最自然，几秒就出结果。免费版够试用，但不能商用，也不能克隆声音。

好的地方

• 自带的普通话声音在测试里最自然
• 两版 35 秒语音不到 8 秒生成
• 中文省额度，免费版每月约半小时

不足

• 免费版不能商用，也不能克隆声音
• 文字和音频都在云端处理
• 有一版可能念错了一个字

访问 ElevenLabs ↗推广链接

本地模型也有它的用处：想免费用自己的声音、不想让文件离开自己的电脑，或者要生成大量音频。代价是生成慢、要搭环境，中文稿子里的英文词要专门检查。

这次没测的

我只用了 ElevenLabs 的默认模型和默认设置、2525 个中文声音里的两个，以及一段很短的稿子。ElevenLabs 的声音克隆没测，因为免费版没有这个功能。