异步视界博客
iaieye.com

最近更新

    ↑↓ 选择↵ 打开esc 关闭

    模型与工具地图:哪些能力值得比较

    区分普通 TTS、联合对话模型、端到端播客与工作台,比较中文 API、开源模型、许可与成本;按节目任务建立候选。

    • 播客:把资料做成值得一直听… · 5/6
    • 精读
    • 2026.11.18
    • 13 分钟
    • 6,990 字

    思思扬撰写 · AI 协作整理

    类型
    精读
    系列
    播客:把资料做成值得一直听的节目
    位置
    第 5 篇 / 共 6 篇
    发布
    2026.11.18
    篇幅
    6,990 字 · 13 分钟
    章节
    6 节
    标签
    • podcast
    • tts
    • open-source
    • ai

    模型选型放在节目目标之后。简洁日报要准确、可修订;双人技术节目要自然回应;长篇更关心稳定和局部重做。这里整理截至 2026-11-18 的候选与入口,未做本次同稿听测。

    TTS API:便宜日报与自然对话分别评估

    以下是 2026-11-17/18 官方页面采样。云服务型号、公开权重型号和第三方转售型号不能混用;同名模型不同地域也不一定同价。

    候选已核实的当前能力/费用线索首轮定位
    百炼 Qwen / CosyVoice北京 qwen3-tts-flash 与 cosyvoice-v3.5-flash 均 ¥0.8/万计费字符;v3.5-plus ¥1.5/万;新 Qwen-Audio 3.1 另走 token 价低成本中文日报主候选,先比较专名和中英混读
    MiniMax Speech 2.8百炼北京 turbo ¥2/万、HD ¥3.5/万计费字符;官方国际平台和国内渠道分别定价中文叙事、固定主持音色与长文候选
    豆包语音合成有普通 TTS 与独立播客产品,不能套用同一计价国内韵律对照组;专题另测播客 API
    Gemini 3.8 Flash TTS / Lite官方当前支持单人及最多双预置音色的多说话人合成,文字/风格可控联合双人技术解释重点候选
    ElevenLabs v4/v3Text to Dialogue 提供多说话人文本到对话;API 价格页 v4/v3 $0.08/千字符、v4 Turbo $0.04/千字符,套餐条件另核对英文、国际化与表现力对照,非中文默认最优
    OpenAI Speech / Realtime官方现页列旧 Speech 型号弃用并计划 2027-01-06 关闭,迁向 Realtime 工作流新长期播客工程要先评估迁移,不照抄旧 /audio/speech 示例

    价格出处:百炼价格、ElevenLabs API 价格。能力出处:百炼非实时合成、MiniMax 异步接口、Gemini TTS、ElevenLabs 对话、OpenAI TTS 当前迁移提醒。

    为什么默认先选便宜 API:每天一集的量通常不足以抵消自部署 GPU、运维和排障成本。先确定声音和节目值得听,再测本地吞吐。自部署的优势是数据控制、定制与规模化,不等于总成本为零。

    长文本接口也不代表一次生成整集最佳。MiniMax 异步文档支持直接文本最高 100,000 字符,适合长文提交,但仍应考虑局部修订与失败重做。普通低延迟流式 TTS、异步文件任务、联合对话模型分别用不同的任务契约,不能只改一个 model 名。

    粗算预算:假设一集 3,000 汉字,按“一个汉字约两个计费字符”的口径估为 6,000 字符,不含标点与归一化扩展。¥0.8/万约 ¥0.48/集,30 集 ¥14.4;¥2/万约 ¥1.2/集、30 集 ¥36;¥3.5/万约 ¥2.1/集、30 集 ¥63。这里是规划估算,不是实账;百炼不同接口的长度计数和计费 usage 应分别确认,不能将字符限制说明直接当所有型号账单公式,更不能套到其他平台。百炼字符计数说明

    总成本应为:脚本与审稿 LLM + 全部合成尝试 + ASR 质检 + 后期 + 存储/流量 + 人工修正。比较“每分钟最终可用音频成本”,同时记录修一段需要多少时间。新 Qwen-Audio、Gemini 采用音频 token 时,不用字数强行换算其费用;以响应 usage 和实际音频秒数估算。

    开源语音模型:从可控朗读到原生播客

    模型特点用在这里的判断
    Qwen3-TTS0.6B/1.7B,Base/CustomVoice/VoiceDesign,支持中文等语言与流式;仓库 Apache-2.0自部署短名单;云端 Qwen-Audio 3.1 与其不是同一套权重
    CosyVoice多语言、中文方言、克隆与发音控制;仓库 Apache-2.0中文术语和稳定朗读候选,逐个核对具体 checkpoint
    SoulX-Podcast多轮多说话人、普通话/英语/部分方言、笑声等副语言控制;官方称代码与权重 Apache-2.0真正播客语音方向值得纳入,部署性能仍需实测
    FireRedTTS-2研究重点是长对话、上下文韵律与说话人切换研究跟踪候选,本次未部署或完成许可核验
    VibeVoice官方介绍长篇多说话人生成,并有 ASR/Realtime 分支“90 分钟、4 人”是能力声明,当前子模型/权重可得性要单独查,不能等同生产可靠时长
    IndexTTS2音色、情绪可控的零样本 TTS有自定义许可,不能当 Apache/MIT,做产品前核对
    Fish Speech声音克隆与表现力方向,公开权重和托管 API 分开托管产品许可尤其需要核对
    Dia原生对话与非语言事件README 标明英文,不作中文首版主模型

    Fish 2026-10-13 的 Community License 对年营收低于 $500,000 的商业用途设条件,而 Hosted Service 仍要求额外书面许可。做自己的节目与做用户可输入内容的语音 SaaS,不能默认适用同一授权。Fish 许可原文。IndexTTS 同样要读 自定义许可。此处只提示原文条件,未对某个具体商业模式作法律定性。

    两条技术路线需要直接 A/B:独立 TTS 逐轮合成容易修错、换音色,但可能轮与轮之间像拼接;联合多说话人生成更能理解对话节奏,但要实测角色稳定、漏读和局部重生成。模型论文或厂商 demo 的最优片段不足以做这项判断。

    中文原生播客 API:必须与普通 TTS 同场比较

    豆包语音播客大模型已有专门的播客接口文档,搜索索引可见 SSE 与 WebSocket 两类接入、原文总结及指定对话文本等能力。这比把普通 TTS 换两种音色更接近 NotebookLM 式资料对谈场景。不过本次官网动态正文读取不完整,不能承诺所有参数和配额;接入前应以当前中文控制台文档核实。官方播客入口;WebSocket 文档

    腾讯云大模型播客官方明确支持主题、网页、文件,单人或双人形式,提供 WebSocket API;接口属于 API 2.0,不能按普通 API 3.0 示例推断签名或参数。报价页将播客按 token 后付费,与其普通 TTS 字符价不是一回事。产品说明;接口;计费

    两者都值得放进“技术专题双人版”的试验;尤其要问:是否支持固定脚本、是否回传脚本与说话人分段、是否能只重做一段、输出内容能否逐句核验。营销页的“高度拟人”是厂商描述,不是本次听测结论。

    NotebookLM:节目参照与自动化入口分别判断

    Deep Dive、Brief、Critique、Debate 分别面向深聊、简报、评议与辩论,值得作为不同节目形态的参照。支持中文输出,不代表英文的长度与交互设置全都适用中文。官方音频概览帮助

    接入要分清:新的 Gemini Notebook API 仍把 artifact 生成列在 roadmap;企业 audioOverview 是另一条 Preview 路线;旧 standalone Podcast API 已弃用且不再接收新的 allowlist 客户。社区 CLI 能自动化某些个人功能,也不等同官方稳定音频接口。新 API roadmap、企业音频 API、旧 Podcast API 弃用

    商业平台与工具:买工作台还是买模型

    方向候选值得借鉴对当前项目的判断
    来源到音频研究工具NotebookLM降低理解门槛、不同讲解形态建基准,不直接假定定时自动化
    可编辑播客工作台ElevenLabs Studio / GenFM先稿后声、自定义角色与声音可用于少量精品节目,自动日报要核实 API 与费用
    AI 原生节目与分发Jellypod固定角色、自动化、脚本块重生成、RSS/视频完整商业对照,适合检验自建成本
    音频生产/协作Wondercraft双人 Convo、脚本分段、声音与音乐管理更像音频工作台,适合对照专业制作流程
    人声录制、剪辑Descript / Riverside 等真实录音的编辑与制作将来真人参与再重点评估,本次未做独立选型

    GenFM 当前文档支持先检查和编辑脚本再生成声音;已有终稿时应走脚本导入,避免再被“生成播客”重写。免费 Studio 历史公告不能证明今天 GenFM 免费。GenFM 用法

    Jellypod 当前产品区分 podcast、video、shorts、voiceover,支持按 speech block 重生成。价格页采样为年付折算 Starter $25/月、Creator $50/月、Business $125/月,API 在 Creator 起;credits 不能直接看成节目分钟。它是“固定节目角色 + 自动化 + 分发”的商业参照。官方文档;价格

    Wondercraft 官方有 API 文档和双人 Convo 工作流;是否开放到目标套餐、具体生成计费需单独核实。API;双人节目说明

    开源与 skills:按你想拿走哪一层来选

    项目层级与用途使用建议
    Podcastfy来源→对话→TTS 的 Python/CLI,Apache-2.0阅读其流水线;核实当前模型依赖和维护情况,不依赖公共演示 Space 生产服务
    Open Notebook自托管来源研究与播客工作台看完整产品,已有内容生产系统无需立刻部署第二套研究库
    podcast-creator独立 Python 播客生成库,MIT比搬整个 Open Notebook 更适合评估局部复用
    notebooklm-py非官方 Python/CLI/agent/MCP 接入个人自动化候选,登录态与内部接口变更需维护
    notebooklm-mcp-cli社区 MCP/CLI同样属于社区接入,不是 Google 官方音频 API
    PodAgent主持人/嘉宾/写作者协作与声音匹配研究学脚本组织与评估;论文不等于开箱生产系统
    SUB/WAVE节目时段、AI DJ、栏目与音乐广播电台方向最贴近的产品参考之一
    AzuraCast成熟自托管广播管理真正要同步线性电台时再考虑

    Open Notebook 的重要设计是把 speaker profile(谁说、音色是什么) 与 episode profile(受众、语言、节目结构) 分开。这个区分值得保留在自己的数据模型里。Podcasts Explained

    外部可参考 claude-world 的 podcast-maker SKILL.md:封装“建 notebook→加来源→生成→下载→可选视频”,依赖特定 NotebookLM 工具,不是新模型。SUB/WAVE 还允许用 SKILL.md 定义新闻、天气等播出栏目;这里的 skill 是节目插件,和 Codex 工程技能不是同一用途。

    值得自己沉淀的 skill应包含:节目规范、证据检查、发音词典、TTS 适配、段落重生成、后期验收和分发契约。先跑出三到五期好节目再提炼,避免把未验证流程封装成自动化。

    下一篇:制作与听测。

    系列全部 6 篇
    1. 01节目怎么编:从日报清单到一集音频5 分钟
    2. 02双人对话怎么写:让每次接话都有用5 分钟
    3. 03技术内容怎么讲:把长文变成能跟上的解释5 分钟
    4. 04主持声线怎么选:自己的、平台的、设计的7 分钟
    5. 05模型与工具地图:哪些能力值得比较13 分钟
    6. 06从终稿到耐听:制作、听测与持续节目6 分钟