音色对比：豆包 / ElevenLabs / Fish Audio

三家都用各自最好的付费接口，念同一段两人对谈（约 40～55 秒，一男一女），比两件事：听起来像不像真人在聊天，接口出声快不快。

一、付费接口：同一段台词 + 速度

「首字」是从发出请求到听到第一个字的时间。「整段生成」是整段音频全部生成完的时间：同一晚测了三轮，写的是三轮的范围（豆包 TTS 2.0 是后补的，只测了一轮）。两项都用流式接口测，每种测 3 次，取中位数。
豆包有两种接口：「播客接口」一次输入整段两人对话；「TTS 2.0」一次只念一句，照我们产品里的做法逐句合成（3 句同时），再按正常换人的间隔拼起来。

二、免费区域

这一部分不用花钱：一是 Fish 的免费模型念同一段台词；二是三家官方的音色试听，每家 10 个。试听里每条念的话都不一样，只能比音色本身。