👁 211 次阅读
在 AI 工具选型这件事上，很少有案例比 Play.ht 的落幕更能说明问题的严重性。2025 年 7 月，Meta 收购了 Play.ht 背后的语音合成团队（报道团队规模约 35 人），随后这条被很多开发者当作主力引擎的 SaaS 产品线被逐步下线；2025 年 12 月 31 日，服务彻底终止，用户账号、已保存的音频、克隆音色全部删除，没有任何数据迁移通道。（TechCrunch、Bloomberg、Inworld AI 迁移指南、Notevibes 均记录了这条时间线）
一年过去，市场完成了重新洗牌。ElevenLabs 的 Eleven v3 在 2026 年 2 月 2 日脱离 Alpha 正式 GA，Murf 改成了按小时计量的年包模式，Fish Audio 则把开发者 API 直接免费，并以开源权重切走了一块本地部署市场。对内容创作者和开发者来说，现在真正该问的问题已经不是「哪家的声音最像人」，而是：你的语音资产到底安不安全，你的成本到底可不可预测。
需要先说明一点：本文的价格、版本、字符限额等数据全部来自官方文档与官方定价页（ElevenLabs、Fish Audio 官方站点）以及多方独立评测站，文中每个关键数据点都标注了来源。主观听感部分我引用的是可追溯的第三方盲测数据，不冒充自己的听音结论——这一点在语音类产品评测里容易被含糊过去，所以我把它写清楚了。
一、Play.ht 到底发生了什么：一份被验证的时间线
先把事实链条捋清，因为很多二手评测还在把 Play.ht 当作可用产品来推荐，那是对读者不负责的。
| 时间 | 事件 | 来源 |
|---|---|---|
| 2025 年 7 月 12-13 日 | Meta 确认收购 Play AI（Play.ht 背后的公司），整个团队并入 Meta Superintelligence Labs，技术用于 Meta AI、AI Characters 与可穿戴设备 | TechCrunch（2025-07-13）、Bloomberg（2025-07-25） |
| 2025 年 7 月下旬（约 7 月 26 日） | Play.ht API 提前下线，早于原定时间表 | Inworld AI 迁移指南、Cartesia 当时的公开表态 |
| 2025 年 8 月 | 停止接受新注册 | Notevibes |
| 2025 年 12 月 31 日 | 服务永久终止：Studio、API、Voice Agents 全部关闭，账号、已存音频、克隆音色一并删除 | Inworld AI、Notevibes、aipedia.wiki |
| 2026 年 7 月 | play.ht 域名已无法解析 | Inworld AI（标注查询日 2026-07-07） |
对已经用过的团队，有三个不可挽回的事实：现有的 API 集成已经死了（端点自 2025 年 7 月下旬起不可用）；克隆的音色回不来了（在 2025-12-31 的 sunset 时点被删除，Play.ht 未提供任何恢复路径）；没有任何迁移工具，团队只能用自己的原始录音重新克隆一遍。
Inworld AI CEO Kylan Gibbs 在 2026 年 7 月更新的迁移指南中提醒：重新克隆时要用「原始的人类录音」，不要拿 Play.ht 过去生成的 AI 音频当素材——那是二次复制，音色质量会逐代衰减。
这件事的启示比技术细节更重要。Notevibes 把它总结成「被风险投资支持的公司做供应商锁定（vendor lock-in）的警示故事」。我的理解是三条：一、别把唯一的语音平台当成唯一的生产依赖；二、克隆音色和成品音频必须能下载，且定期备份到本地；三、评估一个平台时，把「它会不会还在」当作和「它好不好用」同权的变量。创业公司做语音技术确实能做得很快，但公司本身的存在风险不会消失。
二、Eleven v3：2026 年 2 月正式 GA，到底新在哪
ElevenLabs 的 v3 模型 2025 年 6 月 3 日以 Alpha 形式发布，2026 年 2 月 2 日脱离 Alpha 正式 GA（官方博客「Eleven v3 is Now Generally Available」）。它对很多创作者的价值不在「声音更像人」这个笼统说法上，而在四个具体的能力点上。
| 能力 | 具体内容 | 实际意义 |
|---|---|---|
| 音频标签（Audio Tags） | 情绪：[sad] [angry] [happily]；语气指示：[whispers] [shouts]；非语言反应：[laughs] [clears throat] [sighs] | 可以在文本里直接写表演指令，不用换音色，也不需要多轨拼接 |
| 对话模式（Dialogue Mode） | 多说话人对话，模型自动处理说话人切换、情绪变化和打断 | 有声书、访谈类内容不必自己切轨；新增 Create dialogue / Stream dialogue API 端点 |
| 语言覆盖 | 官方帮助中心列出 74 种语言，文档标注为 70+ 语言 | 覆盖中文（普通话 cmn）、日语、韩语、阿拉伯语、印地语等 |
| 单次请求字符上限 | eleven_v3 为 5,000 字符（约 5 分钟音频） | 长文本需要自行切片拼接——这是很多人踩过的坑 |
ElevenLabs 还公布了 GA 版本相对 Alpha 的两项改进数据，这两组数字我认为比营销话术更有参考价值。第一是稳定性：内部测试中 72% 的用户更偏好新版本。第二是符号与数字的朗读准确率：在覆盖 8 种语言、27 个类别的内部基准上，整体错误率从 15.3% 降到 4.9%，也就是 68% 的错误量下降。分细项看，ISBN 错误率降到 0.0%，化学式从 45.6% 降到 0.6%，电话号码从 16.9% 降到 0.6%，URL/邮箱从 45.6% 降到 3.9%，地理坐标从 46.2% 降到 17.5%。
为什么这个改进对中文内容创作者特别重要？因为它修的是「同一个符号在不同语境下该怎么读」这个问题。ElevenLabs 举的例子是电话号码「+49 170 9876543」——旧版会读成「正四十九，一亿七千零九十八万七千六百五十四三」，正确读法应该是逐位报出。这类错误在体育比分、货币金额、化学式、快递单号、网址、坐标里都会出现。对做产品讲解、财经内容、教程类配音的人来说，这个改进直接决定你生成的音频能不能不返工。
但 v3 有一个官方明确写出来的限制，很多评测会漏掉：它不适合实时或对话类场景。ElevenLabs 官方文档原话是 v3「一致性变化较大、延迟较高，不适用于实时或对话场景」，并推荐这些场景用 Flash v2（英文）或 v2.5（多语言）。不过文档里同时列出了 eleven_v3_conversational 这个模型 ID，标注为首字延迟约 280ms 的实时版本——也就是说实时能力是有的，只是要走另一个模型。
官方文档给出的字符上限对照表值得收藏，它直接决定你的工作流要不要做切片：
| 模型 ID | 单次字符上限 | 约等于音频时长 |
|---|---|---|
| eleven_v3 | 5,000 | 约 5 分钟 |
| eleven_flash_v2_5 | 40,000 | 约 40 分钟 |
| eleven_flash_v2 | 30,000 | 约 30 分钟 |
| eleven_multilingual_v2 | 10,000 | 约 10 分钟 |
结论很清楚：如果你要做长篇有声书或长课程，主力出稿用 Flash v2.5（40,000 字符上限、低延迟），需要情绪张力和多角色对话的片段才切到 v3。用 v3 通吃全流程，你会被 5,000 字符的上限反复打断。
数据来源：ElevenLabs 官方博客 elevenlabs.io/blog/eleven-v3-is-now-generally-available（GA 日期与准确率数据）、elevenlabs.io/blog/eleven-v3（音频标签与对话模式）、官方帮助中心 help.elevenlabs.io「What is Eleven v3」与「What models do you offer」、docs.elevenlabs.io/overview/models（模型 ID 与字符上限表）。
三、真实定价结构：信用点、小时包与「免费档陷阱」
语音合成的计费有三种完全不同的逻辑，混着比就会得出错误结论。ElevenLabs 按字符/信用点计费；Murf 按「每年多少小时的生成量」计费；Fish Audio 同样是信用点，但额度结构差异很大。
3.1 ElevenLabs：官方定价（2026 年 9 月）
| 套餐 | 月费 | 信用点/月 | 关键解锁项 | 席位数 |
|---|---|---|---|---|
| Free | $0 | 10,000 | TTS、STT、音效、音色设计、音乐、Studio 3 个项目 | — |
| Starter | $6 | 30,000 | 商用授权、即时音色克隆、Studio 20 个项目、配音工作室 | 1 |
| Creator | $22（首月 $11） | 121,000 | 专业音色克隆、额外信用点 | 1 |
| Pro | $99 | 600,000 | API 输出 44.1kHz PCM、192kbps 音质 | 1 |
| Scale | $299 | 1,800,000 | 团队协作、3 个专业克隆 | 3 |
| Business | $990 | 6,000,000 | 低至 5 美分/分钟的 TTS、10 个专业克隆 | 10 |
| Enterprise | 定制 | 定制 | DPA/SLA、HIPAA 的 BAA、自定义 SSO、更高并发 | 定制 |
年付的折算规则官方写得很明白：年付价 = 月付价 × 10，等于免费多两个月。对应到等价月费是 Starter $5、Creator $18.33、Pro $82.50、Scale $249.17、Business $825。
还有一个容易被忽略的入口：Startup Grants Program 提供 12 个月免费、3,300 万字符，面向新创业公司构建实时对话式 AI。如果你的项目还没上线，这个额度比任何折扣都值钱。
免费档的边界要写清楚，这是我见过最多人在评论区问的问题。10,000 字符大约对应几分钟音频，够你充分测试音色库和效果。但 免费档生成的内容不能商用，ElevenLabs 的条款同时把免费输出用于模型改进。换句话说，免费档是试用环境，不是生产工具——一旦涉及收入，Starter 的 $6 是最低门槛，而它给的是商用授权 + 即时克隆，这个门槛价在同类产品里确实很低。
3.2 Murf：改成按小时计费，克隆音色锁进企业版
Murf 在 2025 年重构了定价结构，改成按「每年生成小时数」计量的年包模式，这跟按字符计费是两套完全不同的心智模型。
| 套餐 | 月费 | 按年计费 | 年生成量 | 项目上限 | 声音库/语言 |
|---|---|---|---|---|---|
| Free | $0 | — | 约 10 分钟 | 10 个项目 | 32 种声音 |
| Creator | $29 | $228/年 | 约 24 小时 | 100 个项目 | 200+ 种声音 |
| Business | $99 | $792/年 | 约 96 小时 | 500 个项目 | 含音转文字、音频转写 48 小时 |
| Enterprise | 定制 | 定制 | 不限 | 不限 | 团队席位、SSO |
三个必须知道的约束。第一，免费档不支持下载，Murf 官方直接写明免费试用不能导出文件——它只是个试听沙箱，要成品就必须付费，哪怕你只生成 30 秒。第二，克隆音色是企业版专属，需要单独谈合同；很多团队是冲着克隆来看 Murf 的，结果发现这个功能要跳到最高档。第三，自助 API 在 2025 年调价时被从 Pro 挪到了 Enterprise，所以开发者向的用法在 Murf 这边成本会明显上移。
另外，未使用的时长不会滚动到下个周期，月付比年付贵约 33%，退款窗口是「24 小时或使用了 10 分钟，取先到者」。这个退款条款对评测类内容来说算是行业里偏严格的。
3.3 Fish Audio：价格最激进，中文场景最实用
Fish Audio 的官方定价页显示，它是这一轮洗牌里价格压得最狠的一家，而且对中国大陆用户格外友好。
| 套餐 | 月费 | 年付 | 月生成量 | 单次字符上限 | 克隆音色 |
|---|---|---|---|---|---|
| Free | $0 | — | 8,000 信用点（约 7 分钟） | 500 字符 | 3 个公开音色位 |
| Plus | $15（促销 $5.50） | $66/年 | 250,000 信用点（约 200 分钟） | 15,000 字符 | 1 个专业音色位 + 10 个私有音色位 |
| Pro | $100（促销 $37.50） | $450/年 | 2,000,000 信用点（约 1,620 分钟） | 30,000 字符 | 5 个专业音色位，3 个团队席位 |
| Max | $999 | $8,988/年 | 25,000,000 信用点（约 6,250 分钟） | — | 15 个专业音色位，10 个团队席位 |
官方 FAQ 明确写了信用点换算：每生成 1 分钟音频约消耗 600 到 625 个信用点。开发者这边是真正的大动作——官方 developers 页面写明 S2.1 Pro 对开发者免费，API 走按量付费，TTS 定价 $15/百万 UTF-8 字节，ASR（Transcribe-1）$0.36/小时。而且 fish-speech、S1、S2 是开源权重，商业授权走付费，可以部署到自己的 VPC、数据中心、主权云甚至隔离环境。对企业有数据驻留或合规要求的人来说，这个路线是 ElevenLabs 和 Murf 都给不了的。
需要提醒一点：本次搜索中出现了 fishaudio.org 这个站点，它标价的计划名称是 Free / Plus $4.49 / Pro $14.99 / Max $34.99，与官方 fish.audio 的价格体系不同。这个站点看起来是第三方整理或镜像，本文所有 Fish Audio 价格均以官方 fish.audio/plan 为准。选工具时认准官方域名，这是个实用建议。
数据来源：ElevenLabs 官方定价页 elevenlabs.io/pricing（2026 年 9 月抓取，含年付折算规则、Startup Grants）；Murf 定价数据来自 usagepricing.com/blueprint/murf-ai、aipedia.wiki/tools/murf、voxrater.com/vendors/murf、aibuildermarketplace.com 的独立整理（2026 年 8 月核实）；Fish Audio 官方定价页 fish.audio/plan 与开发者页 fish.audio/developers。
四、按分钟折算的单价对比：数字不会说谎
把三家的价格拉到同一口径——每分钟成品音频多少钱——差异才看得清。这里的折算基于各家的官方额度换算，属于静态月费除以包含时长的近似值，实际会随用量浮动。
| 平台 / 套餐 | 月费 | 包含时长 | 折算每分钟 | 备注 |
|---|---|---|---|---|
| ElevenLabs Starter | $6 | 约 30 分钟 | 约 $0.20 | 商用授权 + 即时克隆的最低门槛 |
| ElevenLabs Pro | $99 | 约 600 分钟 | 约 $0.17 | 含 44.1kHz PCM API 输出 |
| Murf Creator | $29（月付等值） | 约 24 小时 | 约 $0.15 | 按年计费 $228，未用时长不滚动 |
| Murf Business | $99（月付等值） | 约 96 小时 | 约 $0.10 | 年付 $792 |
| Fish Audio Plus | $15 | 约 200 分钟 | 约 $0.075 | 年付 $66；促销价更低 |
| Fish Audio Pro | $100 | 约 1,620 分钟 | 约 $0.062 | 年付 $450，3 个团队席位 |
这张表说明了两件事。第一，纯按单价看，Fish Audio Pro 大约是 ElevenLabs Pro 的 0.37 倍，也就是便宜约 2.7 倍。如果只算每分钟成本，Fish Audio 明显更划算。
第二，也是更容易被忽略的：单价低不代表总成本可控。Fish Audio 和 ElevenLabs 都是信用点/字符计费，超额成本要另算；Murf 是年包小时制，超额就得升级套餐，但预算反而更可预测。如果你每月稳定产出固定量级的音频，Murf 的年包模式在预算管理上其实更省心；如果你的量波动大，Fish Audio 的信用点弹性更好。
还有一个必须单独说的维度：合规与安全不在价格表里。Enterprise 档位的 DPA、SLA、HIPAA 的 BAA、自定义 SSO、零数据留存、私有化部署这些能力，只有规模档以上才能拿到。如果你的音频涉及客户对话、医疗健康或受监管内容，这些条款的价值远高于单价差异。ElevenLabs 和 Fish Audio 的 Enterprise 都覆盖这些，Murf 的合规能力走 Enterprise 通道。
五、盲测数据能说明什么：听感差距已经很小
关于「哪家声音最像人」，我引用的是可追溯的第三方测试，而不是自己的主观判断。
aileapers.com 做了 30 人的盲听实验，用 5 段不同文本。结果是：ElevenLabs 的语音只有 18% 被判定为 AI，最接近的竞品被判定为 42%。他们特别指出有声书旁白场景最出色——模型会在对话和描写之间自然调整节奏、重音和语气。
speechgeneration.ai 在 2026 年 1 月的测试里给出 ElevenLabs 自然度 4.8/5、情感范围 4.9/5 的分数；MiOffice AI 用 40 个提示词测 5 款工具，ElevenLabs 在长篇旁白上的自然度评分为 9.2。
但 enplugged.com 的结论更冷静，也更值得记住：头部工具之间的自然度差距已经缩小到普通听众在简单旁白场景下经常无法可靠区分，真正的差异点变成了三个——情感表现力（在更有表现力的内容上）、音色克隆能力、以及各家商业模式和保障措施怎么处理「同意（consent）」问题。
最后一条我认为是全篇最有价值的判断。ElevenLabs 自己的文档也把这一点写进来了：v3 的克隆能力之所以强，恰好是它需要越来越严格的保障措施的原因——克隆一个声音（尤其是接近公众人物的声音）需要验证步骤，还要有检测系统防止滥用。选工具时，把「它怎么防止你的音色被滥用」和「它怎么保证你的音色属于你」也纳入评估，这比再纠结 0.1 分的听感有意义得多。
数据来源：aileapers.com/articles/64-best-ai-voice-generators-2026.html（30 人盲测）、speechgeneration.ai/best-text-to-speech（2026 年 1 月测试）、mioffice.ai/blog/best-free-text-to-speech-2026（40 提示词 5 工具测试）、enplugged.com/best-ai-text-to-speech-voice-tools-2026（盲测与合规讨论）。均为第三方独立评测，结论存在分歧，本文如实并列呈现。
六、按场景选型：谁该用哪一家
播客、有声书、独立创作者：ElevenLabs
需要长期保持一致音色、需要情绪表现力、需要专业克隆的用户，ElevenLabs 仍是默认选择。Creator 档 $22（首月 $11、年付等价 $18.33）包含专业音色克隆，是个人创作者的甜点档。要注意两件事：v3 单次 5,000 字符上限要求你对长文本做切片，专业克隆只在 Creator 档以上。创业公司可以申请 12 个月免费 + 3,300 万字符的 Startup Grant。
企业培训、营销素材、课件团队：Murf
Murf 的差异化不在声音质量，而在工作流：时间轴编辑器、Google Slides 和 PowerPoint 集成、Canva 插件、1,500+ 免版税音乐素材、团队协作。Creator 档 $29/月（年付 $228）给约 24 小时年生成量、100 个项目、200+ 声音库、无限下载和商用授权。
但有一个前提要说清楚：如果团队需要克隆自己的音色，Murf 的克隆功能是企业版专属，需要单独谈合同。也就是说，冲着克隆来看 Murf 的团队，预算要预留到 Enterprise。它本身也不是为实时场景设计的——做 IVR 或实时语音客服，延迟会成为天花板。
中文内容创作者、开发者：Fish Audio
中文场景下 Fish Audio 明显更实用：官方定价最低（年付 Plus $66 给约 200 分钟）、API 在 Plus/Pro 档就有、开发者用的 S2.1 Pro 免费、开源权重可以自部署、团队席位在 Pro 档就给了 3 个。对国内用户来说，价格和部署自由度这两个优势是实打实的。
但它也有明确的短板。speechgeneration.ai 的评测认为它的强项是音色多样性，克隆能力「选 ElevenLabs 或 Fish Audio」；enplugged 的盲测结论则把 ElevenLabs 排在最前面。换句话说，Fish Audio 更像「用更低的成本拿到接近第一梯队的效果」，而不是全面超越。做严肃的叙事性内容（长篇有声书、情感向广告），我仍建议以 ElevenLabs 为主、Fish Audio 做成本兜底。
大量量级、数据敏感场景：直接谈 Enterprise
Fish Audio 的 Enterprise 明确列出零数据留存、本地部署、SOC2 合规；ElevenLabs 的 Enterprise 提供 DPA/SLA、HIPAA 的 BAA、自定义 SSO、更高并发。如果你处理客户对话、受监管内容，或者需要数据不出境，这两家的 Enterprise 通道都比自助订阅更适合。Fish Audio 还标明开发者侧的月费下限约 $10,000/月（有效下限约 $120,000–150,000/年），属于企业级谈判范畴。
七、总结：Play.ht 之死留下的三个真问题
回看 Play.ht 从被收购到关停的这 17 个月，它留下的其实不是「该换哪家」，而是三个更基础的问题。
你的声音资产可迁移吗？这是最关键的一条。克隆音色和成品音频必须能下载、能备份到本地。Play.ht 在 2025 年 12 月 31 日删除了所有用户音色，没有任何恢复路径——那批资产就永久消失了。建议至少保留一个备用平台，主力和备用的音色各自存一份。
你的成本可预测吗？按字符计费的信用点模型弹性好但难预估，按小时计费的年包预算清晰但超额就得升级。先看自己每月稳定的产出量级，再选计费模式，不要只看每分钟单价。
它的合规能力覆盖你的场景吗？免费档几乎都不支持商用，克隆音色的商用权利在法域之间存在灰色地带。做涉及收入的内容前，先读一遍目标平台的商用条款，别等到内容发出去才发现违规。
如果只记一个结论：听感差距已经不值得纠结了，enplugged 的盲测说得很清楚——普通听众在简单旁白上经常分不清头部工具。真正决定成败的是三件事：声音资产的安全性（能导出、有备份）、成本结构的匹配度（量级对应计费模式）、以及平台自身的存续风险。Play.ht 用一整年的数据告诉你，第三件事不是杞人忧天。
如果你只想先动手试，ElevenLabs 的免费档 10,000 字符足以完整体验音色库和克隆流程，Starter 档 $6 解锁商用授权和即时克隆——用 ElevenLabs 注册链接 可以进入。建议先把自己最难的一段文案（含电话号码、金额、URL、专业术语）跑一遍，那才是真正的质量测试，demo 音色的表现总是比你的边界情况好看。
全文数据来源汇总：1）ElevenLabs 官方博客与官方文档（GA 日期、准确率数据、模型 ID、字符上限、音频标签）：elevenlabs.io/blog/eleven-v3-is-now-generally-available、elevenlabs.io/blog/eleven-v3、help.elevenlabs.io、docs.elevenlabs.io/overview/models；2）ElevenLabs 官方定价页 elevenlabs.io/pricing（2026 年 9 月抓取，含套餐价格、信用点额度、年付折算规则、Startup Grants）；3）Play.ht 关停时间线：TechCrunch（2025-07-13）、Bloomberg（2025-07-25）、Inworld AI 迁移指南（2026-07 更新）、Notevibes、aipedia.wiki/dead/play-ht；4）Murf 定价与功能：usagepricing.com、aipedia.wiki/tools/murf、voxrater.com、aibuildermarketplace.com；5）Fish Audio 官方定价页 fish.audio/plan 与开发者页 fish.audio/developers；6）第三方盲测与评测：aileapers.com、speechgeneration.ai、mioffice.ai、enplugged.com、shoopp.store、belreos.com。文中所有价格均为撰写时公开信息，实际以各官方页面为准。