Voxtral
对比新发布的外部语音 API 与 OmniArt 上可用的声音。分清美元价格和积分，核对语言限制，再根据实时智能体或成品配音的需求做选择
Voxtral TTS 3 和 HeyGen Voice 为创作者带来了新的按字符计费 API。不过，做配音预算时，更有用的问题是：拿到一段能通过验收的录音，需要多少投入？目标语言、可用的演绎效果、脚本长度和补录次数都会影响结果。本文将这两款外部 API 与 OmniArt 音频模式中可选的语音模型放在一起，帮你理清选择。
核对日期：2026 年 10 月 26 日。 Voxtral TTS 3 和 HeyGen Voice 均未进入 OmniArt 的公开模型目录。下文的美元价格分别来自 Mistral 和 fal。OmniArt 上可用的模型使用积分计费，本文将这两种单位分开列出。
Voxtral TTS 3 与 HeyGen Voice：已经发布了什么#
Mistral 将 Voxtral TTS 3 (在新标签页中打开) 的发布日期标为 2026 年 10 月 20 日，状态为公开预览。其公告 (在新标签页中打开)介绍了批量和实时语音生成能力。这些能力来自厂商说明，核对日期为 2026 年 10 月 26 日，并非 OmniArt 试听测试的结果。
fal 于 2026 年 10 月 21 日宣布推出 HeyGen Voice (在新标签页中打开)。目前的标准版 (在新标签页中打开)和 Turbo 版 (在新标签页中打开)页面均支持通过声音库中的声音或参考录音生成语音。本文价格是 2026 年 10 月 26 日核对的 fal 平台价格，不能据此确定 HeyGen 自有直连 API 的价格。
每 1,000 字符价格对照#
外部 API 表格仅使用美元。Mistral 的费率及 fal 的常规、促销费率均来自厂商或平台页面，核对日期为 2026 年 10 月 26 日。折算为每千字符只是统一计费单位，并不能衡量声音质量。
| 外部模型／平台 | 页面计费标准 | 每 1,000 字符美元价格 | 单次请求文本上限 |
|---|---|---|---|
| Voxtral TTS 3 / Mistral (在新标签页中打开) | 每百万字符 $13 | $0.013 | 本文查阅的模型卡未明确说明 |
| HeyGen Voice / fal (在新标签页中打开) | 常规价：每 1,000 字符 $0.03 | 常规 $0.03；促销 $0.015 | 5,000 字符 |
| HeyGen Voice Turbo / fal (在新标签页中打开) | 常规价：每 1,000 字符 $0.004 | 常规 $0.004；促销 $0.002 | 5,000 字符 |
fal 的两个 Voice 页面均宣传五折促销，持续至 2026 年 10 月 31 日。为该日期之后的项目做预算前，应重新核对页面。文本上限来自 fal 的标准版接口结构 (在新标签页中打开)和 Turbo 版接口结构 (在新标签页中打开)，核对日期为 2026 年 10 月 26 日。
下表仅使用 OmniArt 积分，依据是 2026 年 10 月 26 日核对的 OmniArt 模型目录和共用语音计费规则。模型链接会打开对应的公开模型页面。
| OmniArt 上可用的模型 | 按字符区间计费，不足一区间按一区间算 | 每 1,000 字符积分 | 脚本上限 | 最低套餐 |
|---|---|---|---|---|
| Eleven v3 | 每 50 字符 1 积分 | 20 | 5,000 字符 | Starter |
| Eleven Multilingual v2 | 每 50 字符 1 积分 | 20 | 10,000 字符 | Starter |
| Eleven Turbo v2.5 | 每 100 字符 1 积分 | 10 | 20,000 字符 | Starter |
| MiniMax Speech 2.8 HD | 每 50 字符 1 积分 | 20 | 9,999 字符 | Free |
| MiniMax Speech 2.8 Turbo | 每 100 字符 1 积分 | 10 | 9,999 字符 | Free |
说明
美元和 OmniArt 积分是不同的单位。本文不将两者相互换算，也不据此判定谁更便宜。Free 套餐可用的模型仍然会消耗积分。
按照同日核对的目录规则，OmniArt 对每个不足整段的字符计费区间向上取整。每多生成一版录音，就会增加一次生成。将包含演绎标签在内的实际脚本粘贴到音频模式，生成前先查看页面显示的预估积分。即使单价较低，修正发音或调整节奏需要多次重录时，实际制作预算仍可能增加。
语言与声音克隆：留意细则#
截至 2026 年 10 月 26 日，Mistral 的模型卡 (在新标签页中打开)写的是 9 种语言，公告 (在新标签页中打开)写的是 35 种以上语言、50 种以上方言，而语言文档 (在新标签页中打开)写的是 35 种语言、50 种以上方言。这些厂商资料彼此矛盾，因此本文不对整个 API 的实际语言覆盖范围下结论。确定采用它完成本地化项目之前，先验证目标语言与声音的组合。
下列能力细节均来自厂商或平台说明，已于 2026 年 10 月 26 日对照 Mistral 的 TTS 概览 (在新标签页中打开)、语言文档 (在新标签页中打开)、声音克隆指南 (在新标签页中打开)以及 fal 的 Voice API 文档 (在新标签页中打开)核对。
| 细节 | Voxtral TTS 3 | fal 上的 HeyGen Voice |
|---|---|---|
| 语言 | 模型卡：9 种；公告：35 种以上；语言文档：35 种及 50 种以上方言 | 可选 39 个语言代码；省略时自动检测 |
| 预设声音 | 语言表有 22 个条目，共 35 个预设声音；没有预设的语言需使用克隆 | 24 个公开声音 |
| 克隆输入 | 用短录音进行零样本克隆；保存声音后可通过 ID 重复使用 | 单人说话的录音；仅使用前 3 分钟 |
| 演绎控制 | 34 个情感标签、slow／fast 语速标签、音素发音和上下文 TTS | expressiveness_boost |
| 输出 | MP3、WAV、PCM、FLAC、Opus | 44.1 kHz WAV |
尽管公告提到遵循指令，Mistral 的概览仍标明发布时不支持自然语言风格指示。不要以该功能已经可用为前提设计工作流。本文同样不将 Pro Voice 的可用性或定价视为已经确认。只克隆你有权使用的声音。
实时智能体与成品配音#
Mistral 的 TTS 概览 (在新标签页中打开)区分了处理完整文本的 voxtral-mini-tts-3-0 和用于实时场景的 voxtral-mini-tts-realtime-3-0。其模型卡 (在新标签页中打开)报告首段音频延迟约为 90 毫秒，核对日期为 2026 年 10 月 26 日。这是厂商报告的流式指标，并非实测的端到端对话延迟，也不是 OmniArt 的延迟承诺。
如果你在开发实时智能体，接入外部 API 意味着需要测试完整的交互过程：检测说话轮次结束、生成回答、传输音频并开始播放。仅凭较短的首段音频延迟，无法判断通话者是否会感到对话流畅。
制作成品配音时，先看发音、演绎效果和后续编辑的便利程度。听清专有名词和句尾，再把录音放进视频里对齐。OmniArt 的音频工作流会生成适合这类剪辑的成品音频文件。费率表可以帮助估算脚本成本，但无法决定哪一版演绎应该进入最终成片。
现在如何在 OmniArt 上挑选声音#
以下按任务给出起点，依据是 2026 年 10 月 26 日核对的 OmniArt 目录。这些是值得试听的选项，并非对比试听评分。
| 你的任务 | 可尝试的模型 | 需要检查什么 |
|---|---|---|
| 带情感标签的短配音 | Eleven v3 | 标签是否在预期位置改变演绎 |
| 较长的多语言旁白 | Eleven Multilingual v2 | 目标语言与发音；29 个语言代码及自动检测 |
| 希望每字符消耗更少积分的长脚本 | Eleven Turbo v2.5 | 目标语言；32 个语言代码及自动检测 |
| 在 Free 套餐上制作成品旁白 | MiniMax Speech 2.8 HD | 演绎是否契合最终剪辑 |
| 在 Free 套餐上制作草稿 | MiniMax Speech 2.8 Turbo | 继续生成更多版本前先检查脚本时长与节奏 |
上述语言代码数量来自同日核对的 OmniArt 目录，并非厂商宣传的更大语言覆盖数量。在当前选择器中确认目标语言。先选一小段包含项目所需人名、停顿和语气变化的文字。
保持声音不变，分别试听带标签和不带标签的脚本，再一次只调整一个标签。Eleven v3 音频标签指南说明了标签位置；Eleven v4 与 Eleven v3 对比则区分了较新的外部发布版本与 OmniArt 上的模型。从草稿剪到成品的流程可参考 MiniMax Speech 配音指南；若旧指南中的上限不同，以本文的当前上限为准。
常见问题#
Voxtral TTS 3 要多少钱？
Mistral 的模型卡 (在新标签页中打开)标价为每百万字符 $13，相当于每 1,000 字符 $0.013，核对日期为 2026 年 10 月 26 日。这是厂商公布的公开预览模型 API 价格，并非 OmniArt 积分费率，也不能单独用来确定一轮完整语音智能体对话的成本。
HeyGen Voice 要多少钱？
截至 2026 年 10 月 26 日，fal 为 HeyGen Voice (在新标签页中打开)列出的常规价格是每 1,000 字符 $0.03，Turbo (在新标签页中打开) 则为 $0.004。宣传中持续至 10 月 31 日的促销将两者分别降至 $0.015 和 $0.002。两个接口结构均规定单次请求最多 5,000 字符。这些是 fal 平台的条款，购买前应再次核对模型页面。
Voxtral TTS 3 支持多少种语言？
截至 2026 年 10 月 26 日，厂商资料仍不一致：Mistral 的模型卡 (在新标签页中打开)写 9 种语言，公告 (在新标签页中打开)写 35 种以上，语言文档 (在新标签页中打开)则写 35 种语言及 50 种以上方言。该文档在 22 个语言条目中列出了预设声音。本文不消除这些差异；采用 API 之前，应先验证目标语言和声音。
能在 OmniArt 上使用 Voxtral TTS 3 或 HeyGen Voice 吗？
不能。2026 年 10 月 26 日核对的 OmniArt 公开目录中没有这两款模型。音频模式中，本文讨论的可用替代选项包括 Eleven v3、Eleven Multilingual v2、Eleven Turbo v2.5、MiniMax Speech 2.8 HD 和 MiniMax Speech 2.8 Turbo。根据脚本、语言、预估积分和所需套餐选择；外部厂商发布模型并不意味着 OmniArt 已确定上线日期。
