SpeechGen 是一款基于先进神经网络合成基础设施的在线 AI 语音生成器，拥有 5,000 多种逼真声音，覆盖 150 种语言和地区口音。用户无需安装任何软件，在浏览器中即可完成从文本到语音的转换。
用途与场景 SpeechGen 面向需要生成 AI 配音但缺乏真人配音预算或时间的用户。典型场景包括：营销与制作团队快速产出广告、解释视频与社交媒体配音；教学设计师、培训师和教授为数百名学生规模化制作课程音频；牙科诊所、汽车修理店、公证处、兽医诊所等小企业制作用于接听来电的语音系统；博物馆、校园、酒庄、遗产地等实体空间制作语音导览；安全工程师为多国籍工人制作多语言安全简报；企业进入海外市场时无需聘请本地配音员即可生成当地语言配音。官方数据显示，已有 792 家公司、2,051 个项目使用，覆盖 146 种语言、22 个行业。
主要能力
- 大规模语音库与多语言支持：5,000 多种声音，150 种语言，可按性别、口音、质量层级（Standard、HD、PRO）筛选。
- 多格式与高质量输出：支持 MP3、WAV、FLAC、OGG、OPUS 下载，比特率从 8 kHz（电话音质）到 320 kbps（录音室级）。三个质量层级满足不同项目——Standard 适合内部文档与草稿，HD 适合 YouTube、电子学习与营销，PRO 提供广播级和高端视频旁白。
- 智能缓存：修改错别字、试听、微调词语后重新生成相同内容不会扣除额度。
- 长篇文本与章节拆分：单次生成最高支持 200 万字符，可粘贴整本书、长脚本或文档；系统自动将超长文本拆分为可管理片段。在独立行输入 <cut> 标签，可将每个分段导出为独立音频文件。
- 多说话人对话模式：使用 <Name> 标签为不同段落分配不同声音，将访谈、角色对话、培训脚本合并导出为一个文件。
- 精确语音控制：可直接在文本中插入 SSML 标签，例如用 <break time="1s"/> 暂停恰好 1 秒，或用 <sound id="4807" name="assistant"/> 添加音效。
- 内置音乐与混音：可从内置 AI 音乐库选择或上传自己的背景音乐，在 SpeechGen 内完成人声与背景音乐的电平混合。
- 字幕同步音频：上传 SRT 或 VTT 字幕文件，每行文本按精确时间码配音，音频可直接拖入视频编辑器使用。
- 文件上传与 API：支持上传 DOCX、PDF、SRT 文件；可通过 REST API 将文本朗读集成到工作流中。
使用方式 转换文本为语音只需三步：第一步，输入或粘贴文本，最多可粘贴 100 万字符，也可上传 DOCX、PDF 或 SRT 文件；第二步，选择声音与语言，可按性别、口音和质量层级筛选；第三步，转换为 MP3、WAV 或 FLAC 并下载。处理时间随文本长度变化，短片段片刻完成，长旁白耗时更长，文件就绪后即可下载。新用户可免费试用 1,000 字符，无需注册、无需信用卡，输出无 watermark；注册后可获得每天 3,000 字符的额度，连续 7 天每日刷新。可在花费字符前，用自己的文本试听任意的声音、语速和音调组合，试听不扣除字符。
收费模式 采用按需付费（Pay as you go）模式，按需购买 Credits，按自己的节奏使用，Credits 不按月过期。所有套餐（免费和付费）均包含商业许可、API 访问、全部声音、智能缓存和 30 天历史记录。用户拥有生成的音频文件，可用于 YouTube 视频、广告、应用、电子学习课程等任何项目。官方强调无月费。
限制与说明 专业配音演员仍有其不可替代的场景，SpeechGen 更适用于高产量、迭代频繁或多语言制作。处理时间随文本长度增加。单次生成最高 200 万字符，超长文本系统自动拆分。具体价格、Credits 数量与套餐细节官方页面暂未提供在本资料中。
