语音合成是什么
TTS / Text-to-Speech · 作者：夸父
一句话定义：语音合成（TTS）是把文字转成真人质感配音的技术。现在的神经 TTS 已支持多音色、情感语调与多方言，是不出镜短视频的"声音底座"。
怎么让 AI 配音不像机器人？
音色要跟人设走：先想清楚账号是知性、活泼还是沉稳，选定一个音色固定用下去，观众会形成听感记忆。文案本身也要口语化——TTS 读长难句时最容易暴露机械感，写完自己读一遍，拗口的地方改短句。还有一点容易被忽略：字幕和配音必须对齐，音画不同步比音色平淡更容易让观众划走。
逐日 AI 默认接入阿里云 qwen-tts，支持多音色，每镜可独立重配；字幕按配音真实时长烧录，天然对齐。
TTS 是按什么计费的？
主流按字符数计费，以 qwen-tts 为例约 2 元/万字符——一条 60 秒口播（约 200 字）的配音成本不到 5 分钱。用你自己的 Key 直连官方 API 时成本完全透明，这也是"按量计费、平台零加价"模式对日更创作者最友好的地方：配音这种高频操作不会有任何溢价。
延伸阅读
TTS 的技术演进（两分钟版）
第一代（拼接合成）：录音库里剪拼音节——机器味重，已成历史。第二代（参数合成）：模型生成声学特征——自然度提升但仍可辨。第三代（神经 TTS）：深度模型端到端生成——qwen-tts、CosyVoice 这一代，播报场景的自然度已接近真人，多音色/多情感/声音克隆成为标配。
选 TTS 引擎的四个维度
自然度（中文播报的听感——母语耳朵最诚实）、音色库（覆盖你需要的性别/年龄/风格）、集成度（API 的稳定性、参数丰富度、与生产链路的衔接）、价格（按字符计费的单价——量级参考：qwen-tts 约 2 元/万字符，见正文上方的成本计算）。
在逐日 AI 里的接入
TTS 走你自己的 Key（DashScope 等）直连官方价——配音的每一分钱可审计。音色选定后绑定账号人设（见音色词条），多角色内容按角色配置音色（见多音色方案）。换引擎的成本只有"改配置+重选音色"——模型可插拔的架构让 TTS 的选择没有锁定风险。