TTS

TTS（Text-to-Speech，语音合成）正从"单句自然"走向"情境感知"，但上下文理解与情感连贯仍是瓶颈。据 Monolith砺思资本 2025 年 7 月的观察，商用尖端服务如 ElevenLabs 最新版已能提供多样音色并通过提示词调节情绪语气，单句自然度出色，却在多语言支持和长台词生成中稳定性不足，"有时会忘记前面的情绪设定"。

与此同时，国内厂商在性价比和开源策略上展开差异化竞争：沐言智语 2025 年 6 月发布的开源模型 Muyan-TTS 以每 1 秒语音仅需 0.33 秒推理时间成为开源领域最快，词错率和语音质量评分均处一线水平；MiniMax 同年 5 月推出的 Speech 02 则以 ElevenLabs 一半至四分之一的价格，在 Hugging Face TTS Arena 评测中登顶全球双榜，其"会学习的音色提取器"架构支持 32 种语言的零样本音色克隆与跨语言迁移。对于追求定制化的大型游戏开发团队，自研 TTS 虽投入不菲，仍被视为满足个性化配音高要求的更优路径。