AI 声音 · 能力核验规格书

MiniMax Speech speech-2.8-hd · 预置音色：接口概览「同步语音合成」一节：「支持 300+ 系统音色、复刻音色自主选择」MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 预置音色：支持预设音色及扩展音色库，旧版 30 种数量不再沿用。Google · Gemini 3.8 Flash TTS 模型卡

Qwen Omni 3.5-omni-plus · 预置音色：`audio.voice` 指定音色（文档示例 “Tina”）—— ⚠️ 这一页没给音色总数，只证明可选阿里云百炼 · Qwen-Omni

GLM-TTS · 预置音色：模型页列出 7 个音色：彤彤（默认）、小陈、锤锤、jam、kazi、douji、luodo；调用时用 `voice` 指定智谱 · GLM-TTS

GPT TTS GPT-4o mini TTS · 预置音色：13 种内置音色：alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin、cedar。⚠️ 老的 tts-1 / tts-1-hd 只支持其中 9 种OpenAI · Text to speech

Kokoro 82M v1.1-zh · 预置音色：模型卡的发布表：v1.0 为「8 种语言 & 54 个音色」Hugging Face · hexgrad/Kokoro-82M 模型卡

MiniMax Speech speech-2.8-hd · 音色复刻：「音色快速复刻」接口：上传音频 + 可选示例音频 → 克隆音色。⚠️ 需完成个人或企业实名认证；产出的是临时音色，7 天内不使用会被删除MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 音色复刻：支持声音复刻；使用需获得声音持有者授权。Google · Gemini 3.8 Flash TTS 模型卡

Qwen Omni 3.5-omni-plus · 音色复刻：Qwen3.5-Omni 系列的支持特性里含语音克隆（Qwen3-Omni-Flash 没有）阿里云百炼 · Qwen-Omni

GLM-TTS · 音色复刻：「GLM-TTS-Clone……只需 3 秒语音样本，即可学习说话者的音色与语气习惯」，产出音色 ID 供合成时使用智谱 · GLM-TTS-Clone

CosyVoice Fun-CosyVoice3-0.5B-2512 · 音色复刻：支持跨语言的零样本音色克隆 —— 给一段参考音频即可用其音色合成Hugging Face · Fun-CosyVoice3-0.5B-2512 模型卡

ElevenLabs Eleven v4 · 音色复刻：v4 模型介绍明确支持高保真音色克隆；不把 Turbo 分支的低延迟能力并入本型号。ElevenLabs · Models

MiniMax Speech speech-2.8-hd · 音色设计：「音色设计」接口：基于声音描述 prompt 生成个性化音色，可在合成接口里用MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 音色设计：支持先设计音色，再以 voice ID 调用。Google · Gemini 3.8 Flash TTS 模型卡

Qwen Omni 3.5-omni-plus · 音色设计：官方 HF 组织有 `Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign`（2026-01-21）—— 型号名本身就是能力声明Hugging Face 官方组织目录（模型接口）

MiniMax Speech speech-2.8-hd · 情绪与风格控制：模型表：「speech-2.8-hd —— 情绪渲染融合语气词，重塑自然听感」；接口概览「同步语音合成」一节另有音量/语调/语速调整MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 情绪与风格控制：支持结构化风格指令及行内声音事件。Google · Gemini 3.8 Flash TTS 模型卡

Qwen Omni 3.5-omni-plus · 情绪与风格控制：已核 Qwen3.5-Omni 音频输出章节；同节示例明确使用 qwen3.5-omni-plus。支持指令调节音量、语速、情绪。阿里云百炼 · Qwen-Omni

GLM-TTS · 情绪与风格控制：「通过上下文智能预判文本情绪与语调，显著提升语音自然度与表现力」；两阶段生成 + GRPO 强化学习，自称在「字错误率」与「情感表达」上取得开源 SOTA智谱 · GLM-TTS

CosyVoice Fun-CosyVoice3-0.5B-2512 · 情绪与风格控制：支持通过 instruct 控制语种、方言、情绪、语速、音量等｜原文：「Instruct Support: Supports various instructions such as languages, dialects, emotions, speed, volume, etc.」Hugging Face · Fun-CosyVoice3-0.5B-2512 模型卡

ElevenLabs Eleven v4 · 情绪与风格控制：v4 明确强调表现力和对声音演绎的控制；不沿用旧接口参数清单。ElevenLabs · Models

GPT TTS GPT-4o mini TTS · 情绪与风格控制：`instructions` 参数「控制语音特性（口音、情感范围、语调、语速、语气等）」—— 用自然语言下指令，不是固定档位OpenAI · Text to speech

Fish Speech s2-pro · 情绪与风格控制：行内 `[tag]` 控制，接受自由描述而非固定标签（文档举例 `[whisper in small voice]`、`[professional broadcast tone]`），自称支持 15,000+ 种韵律与情绪标签，可细到词级Hugging Face · fishaudio/s2-pro 模型卡

Gemini TTS 3.8 Flash TTS · 多说话人：每轮指定 speaker；旧版最多两人的数量不直接套用。Google · Gemini 3.8 Flash TTS 模型卡

ElevenLabs Eleven v4 · 多说话人：v4 旗舰卡片明确列出自然多说话人对白。ElevenLabs · Models

MiniMax Speech speech-2.8-hd · 多语言：「全面支持 40 种全球广泛使用的语言」，页面列了 40 个语种MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 多语言：Flash TTS 支持 130 种语言；不要与 Flash-Lite 的 101 种混用。Google · Gemini 3.8 Flash TTS 模型卡

Qwen Omni 3.5-omni-plus · 多语言：「输出 74 种语言和 39 种方言」阿里云百炼 · Qwen-Omni

GLM-TTS · 多语言：GLM-TTS 模型卡明确优化中英文混合文本；不借用 Clone 分支的描述。HF · 智谱 GLM-TTS

CosyVoice Fun-CosyVoice3-0.5B-2512 · 多语言：「Covers 9 common languages（中英日韩德西法意俄），18+ 中文方言/口音」，并支持跨语言零样本Hugging Face · Fun-CosyVoice3-0.5B-2512 模型卡

ElevenLabs Eleven v4 · 多语言：v4 官方语言清单为 90+；核验对象为 eleven_v4。ElevenLabs · Models

Fish Speech s2-pro · 多语言：模型卡：80+ 种语言，分档标注（一档 日/英/中，二档 韩/西/葡/阿/俄/法/德）Hugging Face · fishaudio/s2-pro 模型卡

Kokoro 82M v1.1-zh · 多语言：`hexgrad/Kokoro-82M-v1.1-zh`（2025-02-27）在 82M 基础上加中文 —— 型号名里的 `-zh` 即依据。⚠️ 这只证明「有中文」，没有语言总数Hugging Face 官方组织目录（模型接口）

MiniMax Speech speech-2.8-hd · 流式输出：接口概览「同步语音合成」一节：「支持流式输出」MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 流式输出：3.8 Flash TTS 示例明确使用 stream:true；默认返回 24kHz 单声道 PCM 音频块。Gemini API · Speech generation

Qwen Omni 3.5-omni-plus · 流式输出：请求参数含 `stream` 与 `stream_options`阿里云百炼 · Qwen-Omni

GLM-TTS · 流式输出：「支持非流式、流式接口」两种调用，流式首帧可达 400ms 以内；参数 `stream`智谱 · GLM-TTS

CosyVoice Fun-CosyVoice3-0.5B-2512 · 流式输出：「Support both text-in streaming and audio-out streaming，achieves latency as low as 150ms」—— 双向流式，明写Hugging Face · Fun-CosyVoice3-0.5B-2512 模型卡

GPT TTS GPT-4o mini TTS · 流式输出：「chunk transfer encoding」实时流播：「the audio can be played before the full file is generated」OpenAI · Text to speech

Fish Speech s2-pro · 流式输出：给的是流式才有意义的指标：首音频时延约 100 毫秒、实时率 0.195（H200）、吞吐 3,000+ 声学 token/秒。⚠️ 模型卡没有明写「支持流式接口」，这一格是从这三个指标推的Hugging Face · fishaudio/s2-pro 模型卡

MiniMax Speech speech-2.8-hd · 长文本异步：异步长文本一节：「单次文本生成传输最大支持 100 万字符」（同步接口上限 10,000 字符）MiniMax 开放平台 · 接口概览

MiniMax Speech speech-2.8-hd · 时间戳字幕：异步长文本一节：「支持时间戳（字幕）返回，精确到句」MiniMax 开放平台 · 接口概览

MiniMax Speech speech-2.8-hd · 格式与采样率：接口概览「同步语音合成」一节：「支持多种音频规格、格式，包括：mp3, pcm, flac, wav」，并可调比特率与采样率MiniMax 开放平台 · 接口概览

Gemini TTS 3.8 Flash TTS · 格式与采样率：可选 WAV、PCM、mu-law、A-law；可配置 sample_rate，例如 24000 / 16000 / 8000 Hz。Gemini API · Speech generation

Qwen Omni 3.5-omni-plus · 格式与采样率：`audio.format` 指定输出格式（文档示例 `wav`）阿里云百炼 · Qwen-Omni

GLM-TTS · 格式与采样率：`response_format` 支持 wav / pcm，`encode_format` 可选 base64；流式响应里 `return_sample_rate: 24000`智谱 · GLM-TTS

GPT TTS GPT-4o mini TTS · 格式与采样率：`response_format`：mp3、opus、aac、flac、wav、pcmOpenAI · Text to speech

Kokoro 82M v1.1-zh · 格式与采样率：输出采样率 24,000 Hz。⚠️ 模型卡没写是否支持流式与更多格式 —— 那一格照旧 ⬜Hugging Face · hexgrad/Kokoro-82M 模型卡

Qwen Omni 3.5-omni-plus · 开源权重：Apache-2.0，全模态与 TTS 两支都放了权重。Hugging Face · Qwen/Qwen3-Omni-30B-A3B-Instruct

GLM-TTS · 开源权重：MIT，限制最少的一档。Hugging Face · zai-org/GLM-TTS

CosyVoice Fun-CosyVoice3-0.5B-2512 · 开源权重：Apache-2.0。⚠️ 代码仓库已从 FunAudioLLM 迁到 QwenAudio 名下，权重仓库仍在旧组织。Hugging Face · FunAudioLLM/CosyVoice2-0.5B

Fish Speech s2-pro · 开源权重：s2-pro 采用 Fish Audio Research License，允许研究与非商业使用。这里核实权重已发布，不沿用 1.5 的 CC-BY-NC-SA 许可名。Hugging Face · fishaudio/s2-pro 模型卡

Kokoro 82M v1.1-zh · 开源权重：这一卷下载量最大的权重，82M 参数，普通机器就能跑。Apache-2.0，商用无附加条件。Hugging Face · hexgrad/Kokoro-82M

Eleven Music v2.5 · 描述生成音乐：官方模型页（2026-09-23）Music 一节 v2.5 名下：「Our most advanced music model / Improved quality and prompt adherence」；文档页同条写「Studio-grade generation from text prompts」ElevenLabs · Models

Lyria 3.5 · 描述生成音乐：模型表：`lyria-3.5`「Full-length songs with verses, choruses, bridges」，时长「A couple of minutes (controllable using prompt)」；`lyria-3-clip-preview` 固定 30 秒。都出 44.1kHz 高保真立体声，可多模态输入 —— 官方原文「you can provide up to 10 images alongside your text prompt」Gemini API · Music generation（Lyria 3）

MiniMax Music music-3.0 · 描述生成音乐：「music-3.0 —— 支持用户输入音乐灵感和歌词，生成 AI 音乐」MiniMax 开放平台 · 接口概览

Lyria 3.5 · 歌词与人声：首段原文：「These models deliver structural coherence, including vocals, timed lyrics, and full instrumental arrangements」，也可只出纯器乐。⚠️ 两条硬限制这一版写得更明白了：所有音频带 SynthID 水印；「prompts that request specific artist voices or the generation of copyrighted lyrics」会被安全过滤挡掉Gemini API · Music generation（Lyria 3）

MiniMax Music music-3.0 · 歌词与人声：音乐生成一节：「根据歌曲描述（prompt）和歌词（lyrics），生成一首人声的歌曲」MiniMax 开放平台 · 接口概览

MiniMax Music music-3.0 · 开源权重：2026-08-13 官方发布文章明确 MiniMax Music 3.0 为 Open-Weights；撤回组织目录没找到即不支持的旧判断。MiniMax Music 3.0 官方发布说明（2026-08-13）

Eleven Music v2.5 · 人声或纯伴奏：官方把「要不要人声」当成一个明确的开关来讲，而不是让你在提示词里碰运气。　「Vocals or just instrumental」这句只印在 v2 名下，v2.5 那段没有重申 —— 不拿「同一套工作流」替它背书。ElevenLabs · Models

Lyria 3.5 · 人声或纯伴奏：同一句里既说人声也说纯器乐编排。Gemini API · Music generation（Lyria 3）

Lyria 3.5 · 定时歌词：🎯 这一格全卷只有它一家：歌词是和音频分开返回的结构化内容，不是混在波形里。想做字幕或对轴，只有这条路走得通。Gemini API · Music generation（Lyria 3）

Eleven Music v2.5 · 多语种歌曲：「Multilingual, including English, Spanish, German, Japanese and more」只印在 v2 名下，v2.5 那段没有重申。ElevenLabs · Models

Eleven Music v2.5 · 曲式与时长控制：官方模型页（2026-09-23）Music 一节 v2.5 名下：「Same workflows and support: composition plans, audio reference, and inpainting」—— 作曲方案（结构）在 v2.5 名下被明确重申ElevenLabs · Models

Lyria 3.5 · 曲式与时长控制：⚠️ 时长控制的方式是写进提示词，不是一个参数 —— 限制一节写得很直白：「exact duration can be influenced through your prompt」。两档的时长上限仍是硬的（Clip 30 秒 / 3.5 数分钟）。更新日志把这一代的改进说成「fine-grained duration and structural control」——是变细，不是新增。Gemini API · Music generation（Lyria 3）

Eleven Music v2.5 · 分段编辑：官方模型页（2026-09-23）Music 一节 v2.5 名下：「Same workflows and support: composition plans, audio reference, and inpainting」—— 分段改写（inpainting）在 v2.5 名下被明确重申ElevenLabs · Models

Grok Voice 3.0 · 全双工语音对话：支持双向音频与文本流，server_vad 轮转；文档另列 interruptible 控制。xAI · Speech to Speech API

GLM Voice glm-4-voice · 全双工语音对话：「首个端到端语音模型……实现实时语音对话，并可根据用户指令灵活调整语音的情感、语调、语速和方言」；上下文 8K、最大输出 4K智谱 · GLM-4-Voice

GPT Realtime 2.1 · 全双工语音对话：Realtime 指南的会话类型含「Voice-agent sessions」，响应事件有 `response.output_audio.delta`OpenAI · Realtime API 指南

Grok Voice 3.0 · 对话中调工具：当前 3.0 文档列出 function、web_search、x_search、file_search 与 mcp 工具。xAI · Speech to Speech API

GPT Realtime 2.1 · 实时翻译：专门的「Translation sessions」与 `gpt-realtime-translate` 模型，端点 `/v1/realtime/translations`OpenAI · Realtime API 指南

Grok Voice 3.0 · 接入方式：WebSocket 实时传输。xAI · Speech to Speech API

GLM Voice glm-4-voice · 开源权重：⚠️ 模型卡上没写许可（接口返回的 license 是空的）。权重下得到，但拿它做产品前要先找官方确认授权 —— 「能下载」和「能用」是两回事。Hugging Face · zai-org/glm-4-voice-9b

Whisper large-v3 · 开源权重：这一轨的地基：HF 下载量前十里三个是它或它的衍生。OpenAI 官方 · Whisper large-v3 模型卡

Qwen3-ASR 1.7B · 开源权重：已核阿里官方 · Qwen3-ASR 模型卡

SenseVoice Small · 开源权重：已核阿里 FunAudioLLM 官方 · SenseVoiceSmall 模型卡

ElevenLabs Scribe v2 · 多语种转写：90+ 语种是写在 Realtime 那一档下的。ElevenLabs · Models

Whisper large-v3 · 多语种转写：⚠️ 官方讲的是零样本泛化，没有给语种数。对照 Scribe 明写 90+ —— 同样是 ✅，可比性差一截。OpenAI 官方 · Whisper large-v3 模型卡

Qwen3-ASR 1.7B · 多语种转写：明确包含当前 1.7B；30 种语言与 22 种中文方言，不写成 52 种独立语言。阿里官方 · Qwen3-ASR 模型卡

SenseVoice Small · 多语种转写：SenseVoiceSmall 模型卡明确支持超过 50 种语言。阿里 FunAudioLLM 官方 · SenseVoiceSmall 模型卡

ElevenLabs Scribe v2 · 说话人分离：🎯 全轨唯一给了上限数字的：最多 32 个说话人。别家只说「支持分离」。ElevenLabs · Models

ElevenLabs Scribe v2 · 逐词时间戳：两档都有，官方措辞是 `Precise word-level`。ElevenLabs · Models

Whisper large-v3 · 语音翻译：🎯 翻译是它自述里与识别并列的两件事之一 —— 这一轨里只有它把翻译写进定位。OpenAI 官方 · Whisper large-v3 模型卡

ElevenLabs Scribe v2 · 实时转写：🎯 也是唯一给了延迟数字的（~150ms），而且单开了一档模型而不是一个参数。ElevenLabs · Models

Qwen3-ASR 1.7B · 实时转写：They both 指同段的 1.7B 与 0.6B，模型表亦列 Offline / Streaming；不把强制对齐器的时间戳能力并入本模型。阿里官方 · Qwen3-ASR 模型卡