AI 配音怎么选？Fish Audio 与 ElevenLabs 全面对比

做 AI 配音，Fish Audio 和 ElevenLabs 该选谁？如果主要追求语音生成成本低，而且能自行完成集成，可以选 Fish Audio；如果制作流程还涉及译制配音、专业声音克隆，或需要覆盖更多智能体沟通渠道，则选 ElevenLabs。Fish 的 S2.1-Pro 支持 83 种语言，但语言数量和便宜的文本转语音（TTS）单价，都不足以决定谁更适合接听客户来电。

Fish Audio 与 ElevenLabs：AI 配音到底怎么选？

营销人员制作配音，默认推荐 ElevenLabs。 Studio、译制配音和专业声音克隆组合在一起，让脚本转化为可反复使用的品牌音频更顺畅。如果核心需求只是生成语音，周边剪辑流程可以自行安排，而且 Fish 的声音符合项目要求，那么 Fish 更值得列入候选。

开发者为应用接入语音，可以先看 Fish 的付费 S2.1-Pro API。 对普通英文文本，它的用量定价很有吸引力。如果明确记载的语言覆盖、对话接口或现有集成，比语音账单更重要，则考虑 ElevenLabs v4 Turbo。这两项推荐都不是试听后的音质结论。

电话智能体则要按运营要求来选。 Fish 的 Live 3 平台如今已公开通话、工具、测试和转人工所需的核心能力，值得用预约或客服这类聚焦任务开展试点。若企业需要统筹电话与消息渠道，并满足企业部署要求，ElevenAgents 更占优势。

本文于 2026 年 11 月 13 日对照两家厂商的实时价格页和文档核验。比较标准包括流程匹配度、公开的模型能力、计费单位、商用许可与迁移风险。LLM 指生成智能体回复的语言模型；语音模型则负责把回复转换为声音。本文没有进行登录后的测试、音频生成或试听。

配音与声音克隆：ElevenLabs 的优势在制作流程

ElevenLabs 是语音及音频制作平台，对营销运营人员的优势在于流程连贯。Starter 包含 Instant Voice Cloning 和 Dubbing Studio；Creator 增加 Professional Voice Cloning。品牌要制作本地化产品视频，即便别家合成同一份脚本更便宜，为这些环节的一体化付费仍有理由。

专业克隆需要专门训练，并非上传一小段样本、拿到声音 ID 就完成了。ElevenLabs 克隆文档建议，即时克隆使用 1 至 2 分钟音频，专业克隆使用 30 至 180 分钟；专业训练通常耗时 3 至 6 小时。文档也指出，即时克隆可能难以还原特殊音色或口音。

如果创始人要录制公司长期使用的旁白，这个区别就很重要。快速克隆适合验证想法；品牌声音则需要干净的录音、稳定的表达，以及说话人本人审核。购买更贵的克隆服务，无法弥补原始录音的噪声或表达不一致。

Fish Audio把语音生成与即时克隆、持久化克隆结合在一起。其声音克隆指南建议每段音频至少 10 秒，并指出 1 至 2 分钟的清晰语音有助于提高还原度。可以每次请求附带参考音频，也可以创建可复用的声音 ID。Fish 网页应用同样提供专业克隆流程，因此不能把这场比较理解成“一家有专业克隆，另一家没有”。

如果任务是以较低的用量成本精细指导语音表演，Fish 更有优势。 Drama 3 文档列出了自然语言表演指令、插入声音和停顿、针对特定词调整表达、发音控制，以及多说话人对话。游戏编剧可以让一句台词带上焦虑情绪，并强调其中一个词，而不必改动整场戏的表演方式。

但有一项明确限制：Drama 3 的句中语言标签仍处于实验阶段。不能向双语客户承诺，每种声音都能稳定处理所有语言组合。就更完整的营销制作流程而言，ElevenLabs 仍是默认推荐；当语音指导和 API 账单是主要诉求时，Fish 则是值得认真考虑的候选。两家的功能清单都不能证明最终声音谁更好听。

当前模型与语言支持：按任务选模型

在当前旗舰模型层面，ElevenLabs 公开支持的语言数量更多；Fish 的模型语言覆盖与智能体语言覆盖必须分开看。 TTS 模型支持某种语言，不代表整套电话流程已经针对该语言验证过。

Fish 模型目录将 S2.1-Pro 列为推荐的生产模型，支持 83 种语言。S2.1-Pro Free 使用相同模型、覆盖相同语言，但受公平使用限制，不提供首段音频生成时间或数据处理协议方面的保证。上一代 S2-Pro 支持 80+ 种语言。S1 已弃用，将于 2026 年 12 月 31 日退役，届时请求会转向 S2.1-Pro。Drama 3 是文档单独介绍的较新内容创作模型，其页面没有公布语言总数，因此不能直接套用 S2.1-Pro 的数字。

ElevenLabs 模型目录显示，Eleven v4 和 v4 Turbo 支持 90+ 种语言。Eleven v3 与 v3 Conversational 支持 70+ 种，Multilingual v2 支持 29 种，Flash v2.5 支持 32 种。Flash v2 仅支持英语；较早的 Turbo v2 和 v2.5 已弃用，推荐改用 Flash。新建富有表现力的语音项目，可以比较 v4 和 Drama 3；搭建快速语音层，则应把 v4 Turbo 或 Flash 与实际准备部署的 Fish 流式模型比较。

转写方面，Fish 提供 transcribe-1-pro、transcribe-1，以及预览版 transcribe-stream-1。ElevenLabs 除较早的 Scribe v2、v2 Realtime 和 v2 Medical 外，还列有 Scribe v3 与 Scribe v3 Live。这些模型负责听取并转写音频，不是旁白音色的替代选项。ElevenLabs 还销售 Realtime v1 Mini 和 Max 这两套完整的对话模型配置，分别面向自然对话和复杂任务。

多语言应用的验收，应使用实际目标语言的脚本，涵盖姓名、日期、地址、混合语言短语和打断。厂商公布的语言总数只能用于初筛，不能保证发音表现。

实时 API：精简语音层优先考虑 Fish

如果应用其余部分已经齐备，重视成本的开发者可以从 Fish 入手。 其流式传输文档提供两种方式：文本已准备好时使用 HTTP 流式传输；语言模型逐步输出文本时使用 WebSocket 流式传输。无需等整段回复完成，音频就能开始播放。

例如，技术型创始人为已有产品添加语音讲解，并不一定需要智能体平台。应用本来就知道要说什么，缺的是声音、播放器以及可靠的故障处理。Fish 付费 API 适合这类范围明确的任务；免费模型缺少相关保证，不适合作为对客户有服务承诺时的首选。

时延宣传也必须放在相同边界内理解。Fish 在目录中标注 S2-Pro 首段音频生成时间为 100ms。ElevenLabs 标注 v4 Turbo 的中位时延约为 100ms，不含应用与网络时延。这些都是厂商针对特定模型的说法，既不是正面对测结果，也不是对来电者等待时间的承诺。

ElevenLabs 自家页面还存在差异：API 价格页宣传 Flash/Turbo 约 75ms、v3 Conversational 约 280ms；模型文档则标注 Flash v2.5 约 100ms、v3 Conversational 约 165ms，并说明了测量边界。应先用模型文档理解指标测量的是什么，再实测完整请求链路，之后才设定服务目标。

如果要求由接口或模型能力决定，ElevenLabs 更有优势。 v4 通过 Text to Dialogue 提供，v4 Turbo 则通过对话 WebSocket 提供。对话请求未必能直接替换现有的单音色 TTS 请求。在把更换模型当成修改配置之前，应先核实端点支持情况。

公开套餐与 API 价格

Fish 往往更便宜，但便宜多少取决于计费单位和促销。 下表按 2026 年 11 月 13 日读取的价格整理。所有金额均为美元（USD）；常规价格与首期优惠分开列出。Fish 网页当时默认显示年付价格，因此表中的年付折算月价，不代表可随时取消的月付价格。

来源：Fish 网页套餐、Fish API 价格与速率限制、ElevenCreative 价格、ElevenAPI 价格和 ElevenAgents 价格。Fish 智能体价格来自下文所链接的智能体产品页价格部分。表格只比较语音与智能体，不涉及音乐、图像和视频价格。

更多套餐背景见 ElevenLabs 价格指南。不要在电子表格里把不同行的额度直接换算。例如，ElevenLabs API 页面在 Creator 下列出 275,000 个 v4 字符，而 Creative 套餐列出的是 121,000 点额度。Fish 则明确将 API 余额与网页订阅分开。预算必须按实际使用的产品来算。

Fish Audio 价格：什么时候反而更贵？

对于 100 万个纯 ASCII 字符，同一段输入正好占用 100 万 UTF-8 字节。只看用量费，Drama 3 促销期为 $10，标价为 $50；Eleven v4 为 $80。S2.1-Pro 为 $15，对应比较的 v4 Turbo 为 $40。这是不同模型的价格比较，不代表同等音质的套餐。

再看一个用于说明编码的例子：输入包含 100 万个相同的三字节汉字。Fish 会按 300 万字节收费，Drama 3 促销价变成 $30、标价变成 $150；v4 仍按 100 万字符收取 $80。这只是编码计算，不代表所有中文脚本都恰好符合这个比例：空格、标点和中外文混排都会改变结果。

按 Drama 3 标价计算，与 v4 的价格持平点是每字符 1.6 个 UTF-8 字节：$50 × 1.6 = $80。平均值高于这个数时，v4 公开的字符单价更划算。首发优惠期间，相应阈值是每字符 8 字节。S2.1-Pro 与 v4 Turbo 的持平点则约为每字符 2.67 字节。

CTO 在规划多语言上线时，应先统计代表性脚本的 UTF-8 字节数，再预测支出。重试、表演指令以及未用完的订阅额度，都可能进一步改变账单。不存在适用于所有模型和语言的统一节省比例。

电话智能体与 Live 3：ElevenLabs 覆盖更广，Fish 值得试点

如果电话对话只是整体客服运营的一部分，ElevenAgents 更适合作为默认选择。 其智能体产品页列出电话、网页、移动端、WhatsApp、SMS、电子邮件和聊天渠道，以及工作流、模拟、分析，并支持通过 API、webhook 和 Model Context Protocol（MCP，一种工具连接标准）对接。公开的企业选项包括区域数据驻留、零留存和访问控制。这些是采购时需要确认的部署选项，不能假设所有套餐都具备。

Fish 的 Voice Agents 页面和 Live 3 页面如今介绍的是完整智能体产品，而不只是语音端点。Live 3 以全双工模型提供，意味着对话系统可以同时支持听与说；平台也支持把识别、推理和语音串联起来的级联方案。

Fish 公布的能力包括知识库、API 工具、打断处理、模拟测试、版本历史、录音、转写、摘要、结构化提取，以及先交接信息再转接或直接转接的人工转接方式。其智能体页面宣传支持 30+ 种语言。采购智能体应核查这个数字，不能借用 TTS 目录中 83 种语言的说法。

对于需要预约排期的本地服务企业，这些公开能力足以支持一次 Fish 试点：收集需求、通过工具查询日历、确认预约，再把异常转交人工。Fish 的智能体基础费率包含语音识别、默认 LLM 和语音；高级模型及电话费用另计。ElevenLabs 的智能体每分钟费率则不含 LLM 用量和外部运营商费用。如果把两家的基础价格当成完整电话账单，比较就会失真。

根据这里的证据，无法判定谁的端到端时延更低。 本文核查的 Fish Live 3 页面没有提供可直接比较的具体响应时延承诺。ElevenLabs Realtime API 宣传 Mini 首段音频生成时间为 620ms、Max 为 570ms，但这与 TTS 模型的合成时延并非同一种指标。预约智能体还要等待日历、网络和轮次检测。

接入真实来电前，应测试用户打断、没有可用预约时段、工具调用失败，以及要求转人工的情况。评估任务能否完成、失败后能否恢复，而不只是开场白好不好。在替代方案能处理这些情况之前，保留现有电话流程。

Fish Audio 免费吗？商用权限与使用限制

两家都能免费试用，但不能据此认定免费配音可以随意商用。 Fish 网页 Free Tier 列出每月 8,000 点额度、最长 7 分钟、单次生成上限 500 字符，以及公开声音槽位。价格 FAQ 明确指出，免费输出仅限个人非商业项目；高级订阅用户可以将自己拥有的已验证声音用于商业用途。

Fish 的免费 API 模型是另一项服务：在公平使用限制下提供 S2.1-Pro 的质量，但不保证时延或数据处理条件。这并没有抹平网页套餐、API 条款和具体声音权利之间的区别。应确认计划中的商业 API 用途，而不是从另一张产品页套用许可。

ElevenLabs Creative Free 包含文本转语音、Voice Design 和有限的 Studio 项目；Instant Voice Cloning 与商业许可列在 Starter 下。其当前非欧洲经济区条款区分了免费非商用与付费订阅下的商业用途，后者仍须遵守使用政策并具备必要权利。

智能体相关文档确实存在冲突：ElevenLabs 智能体落地页在免费注册旁提到商业许可，但智能体价格页将这一权益列在 Starter 下，总体条款也限制免费用户。免费智能体接入用于商业用途前，应取得书面确认。 不能用一句促销宣传作为客户运营协议的依据。

私有品牌声音放在 Fish Audio 上安全吗？

上传录音前，先确定可见性与数据条款。Fish API 文档规定，持久化克隆默认私有；免费网页套餐宣传的则是公开槽位，两者属于不同流程。敏感的品牌录音不应因误操作进入公开音色库流程。无论选择哪家，在提供客户素材前，都应确认留存规则、允许用途以及账号由谁控制。

从 ElevenLabs 迁移到 Fish Audio，要重验哪些环节？

即便代码仍能运行，也应把迁移视为声音和行为的变化。 Fish 的 ElevenLabs 兼容指南说明了可替换的基础 URL，但 ElevenLabs 声音 ID 不会自动变成 Fish 声音。必须重新创建已获授权的声音，或选择 Fish 声音，并重新审核其表达效果。

更需要留意的是兼容层的静默处理。Fish 接受 similarity_boost、style、use_speaker_boost 和 seed 等参数，但在该层会忽略它们。传入被接受的 ElevenLabs 模型名，实际可能由 Fish S2.1-Pro 提供服务。因此，请求成功并不证明所选模型或创作控制参数在迁移后仍然生效。

兼容层还拒绝电话领域使用的 μ-law 和 A-law 输出格式，也没有覆盖所有 ElevenLabs 转写功能，包括说话人分离（识别是谁在说话）、信息遮蔽和 webhook。这些是该兼容路径的限制，不能据此断言 Fish 原生平台完全没有相应能力。

如果现有价值来自精心审核的克隆声音、译制配音流程、时间对齐或已稳定运行的电话集成，就不要只因 API 单价而迁移。先保存原始录音和脚本，清点应用使用的参数，重建一个有代表性的流程，对照已审核的输出，再迁移其余部分。想扩大候选范围，可参考本站的 ElevenLabs 替代方案和最佳 AI 语音生成器指南；ElevenLabs 评测则更集中讨论其制作适用性。

常见问题

Fish Audio AI 可以免费用吗？

可以。网页 Free Tier 与 S2.1-Pro Free API 是两项不同的免费服务。网页套餐有月度额度且仅限个人使用；API 模型受公平使用限制，不提供时延和数据处理保证。付费商用仍需要相应许可。

声音克隆违法吗？

平台提供克隆功能或商业套餐，不代表有权使用他人的身份。本比较说明的是厂商功能和套餐条款，并不为某段录音提供法律上的使用许可。应使用自己有权使用的源素材，并在发布前解决说话人相关权利问题。

语音对话选哪个 AI 更合适？

企业电话流程如果还要覆盖消息渠道，优先考察 ElevenAgents。如果是范围明确的电话或网页智能体，且希望控制试点成本，Fish Live 3 值得考虑。单独一个 TTS API 无法提供完整对话流程。

哪个 AI 的配音效果最好？

本比较没有进行试听，因此没有音质胜者。需要 Studio、译制配音和专业克隆的营销人员，可以优先选择 ElevenLabs 的工作流；如果主要任务是受指令控制的语音生成，Fish 则更适合从成本角度入手。最终应拿自己的脚本审核实际声音。

ChatGPT 能做配音吗？

ChatGPT 可以在对话中生成语音回复，但这与选择可导出配音及声音克隆流程是不同的问题。OpenAI 的 Voice 文档介绍的是对话用途，并不能证明它具备本文比较的制作与导出流程。

ChatGPT 语音有时间限制吗？

有。使用限制取决于套餐和 Voice 体验，对话也可能触及会话或上下文上限。这些可用量不是 Fish 或 ElevenLabs 的生成额度。

怎样绕过 ChatGPT Voice 限制？

使用账号现有额度，等待重置，或选择合适套餐。本文核查的 Voice 指南没有记载受支持的绕过方法。

怎样免费无限使用 ChatGPT？

当前 Voice 指南列出的是有限的免费接入，并非无限免费 Voice 套餐。不要据此为生产级旁白流程制定预算。

有没有完全不受限制的 ChatGPT？

文档并未确立任何不受限制的 Voice 服务。即使标为无限使用的套餐，也受防滥用措施约束；会话与功能限制同样需要考虑。

哪些情况选 Fish Audio，哪些情况选 ElevenLabs？

**选择 Fish Audio，**前提是希望降低语音生成成本，能自行管理外围应用或剪辑流程，并已核算目标语言的字节成本。付费 S2.1-Pro API 是精简集成的实用起点；需要指导表演时，Drama 3 值得评估。如果公开的通话能力覆盖任务要求，Live 3 也值得开展范围明确的试点。

**选择 ElevenLabs，**适用于需要一体化创作流程、当前旗舰模型语言覆盖，或更广智能体渠道与企业选项的工作。如果迁移会丢失已审核的声音行为或成熟制作流程，而节省金额尚未算清，就应继续使用现有方案。

下周可以拿一份已审核脚本，或一个完整通话场景，统计其计费单位、确认所需商用权限，并写出失败场景。选择能够以可接受的总成本完成这项任务的平台。

通过邮件通讯获取面向企业经营者的 AI 工具地图，把候选清单转化为可执行的采用计划。