基于当前（2026年4月）的市场情况，语音生成（TTS）领域已经发生了显著变化，从单纯的“朗读”进化到了具备情感表达、声音复刻甚至歌唱能力的“语音大模型”阶段。

以下为您梳理的主流语音生成模型及其官网、API入口：

🎙️ 主流语音生成模型概览

• 阿里云 - 通义千问 (Qwen-TTS) / CosyVoice 阿里在语音领域布局深厚，目前主要提供两个系列的强大能力：
  • ​Qwen-TTS (千问语音)​：依托通义千问大模型，强调实时性和指令控制能力。最新的 qwen3-tts 系列支持流式输入输出，能通过自然语言指令精确控制语调、情感和语速，非常适合智能客服和实时交互场景。
  • ​CosyVoice​：专注于高拟真度和声音定制。其 CosyVoice 3.5 版本在声音复刻（Voice Cloning）和声音设计（Voice Design）方面表现卓越，支持跨语种复刻，即用一个中文样本复刻出说英语的声音。
• ElevenLabs 国际公认的语音合成标杆，以极度逼真和富有表现力著称。其 Eleven v3 模型支持多角色对话和细腻的情感控制，能够生成电影预告片级别的配音效果。它支持29种语言，且API延迟极低，是全球开发者的首选之一。
• 小米 - MiMo-V2-TTS 小米自研的语音大模型，最大的亮点是“全能”与“方言”。它不仅能进行角色扮演，还能实现高质量的​歌声合成​（让模型唱歌），并支持东北话、四川话、粤语、台湾腔等多种方言的自然演绎，打破了说话与唱歌的界限。
• 智谱 - GLM-TTS 智谱开源的语音模型，主打“快”与“情感”。它能在3秒内复刻声音，且在开源界处于第一梯队。该模型在情感表达（如悲伤、愤怒等负面情绪）上表现突出，解决了传统模型情感单一的问题，同时开放了API供企业集成。
• 讯飞星火 (iFlytek Spark) 老牌语音厂商科大讯飞的产品，优势在于多语种支持和行业落地能力。星火语音大模型支持中、英、日、韩等37个语种，并能自动识别语种切换。其API服务稳定，广泛应用于企业服务、智能硬件和媒体工具中。
• MiniMax (Speech-HD) MiniMax 的语音模型以“高保真”和“细节丰富”著称。其 speech-hd 系列支持在文本中插入特定的标签（如 (laughs)、(breath)）来精确控制笑声、换气、咳嗽等非语言声音，使生成的语音听起来像真人录音一样自然。

核心差异对比

官网及API入口汇总