腾讯云国际版语音合成 TTS 实战：按字符计费、53 种音色，TextToVoice 从开通到出声

Meta Description: 腾讯云国际版语音合成（TTS）实战教程：TextToVoice API 从开通到出声全流程、标准/精品音色 0.125 / 0.185 USD 每万字符的官方价格对照、"按字符不按分钟"的计费口径、150 字请求上限与长文本分片拼接、四套真实场景成本测算，以及与 ASR / OCR / TMT 的能力边界划分。

关键词：腾讯云国际版 TTS、语音合成、TextToVoice、文字转语音、按字符计费、精品音色、SSML

声明：本文价格与接口数据采集于 2026 年 10 月，仅供参考，价格可能变动，请以腾讯云官网为准。

一句话结论：腾讯云国际版语音合成（TTS）只有一个公开接口 TextToVoice，按字符数计费——标准音色 0.125 USD / 万字符、精品音色 0.185 USD / 万字符，单次请求上限 150 个汉字；把一段 1 小时的音频"说出来"约 0.19 USD，比用 ASR 把同一段音频"听回来"（约 1 USD/小时）便宜约 4~5 倍。本文按"计费口径 → 音色与参数 → 成本测算 → 七步实操 → 硬边界避坑 → FAQ"的顺序讲透。

如果你之前看过本站的《语音识别 ASR 实战》，会发现 TTS 正好是它的镜像：ASR 把声音变成文字，TTS 把文字变成声音。两者最大的区别在计费单位——ASR 按小时，TTS 按字符。这个差异决定了它们的成本结构和适用场景完全不同，下面第一节先把边界划清。

一、TTS 是什么？先把与 ASR / OCR / TMT 的边界划清

腾讯云国际版语音合成（Text To Speech，简称 TTS）把任意文本合成为"自然发音"的语音，官方定位覆盖智能客服、有声书制作、新闻播报等场景。它和站内已经写过的几个"AI 基础能力"接口的最大区别，是输入输出方向与计费单位都不一样：

一句话记忆：TTS 是"开口说话"的能力，且它按你喂进去的字数收费，而不按说出来的时长。这意味着同一个成本模型放在 TTS 上会得出很反直觉的结论——下文第二节会展开。

TTS 官方支持的合成语言只有三种形态：中文、英文、中英混读。它不负责翻译（那是 TMT 的事），也不负责从图片里取字（那是 OCR 的事）。如果你的流程是"图片 → 文字 → 语音"，正确做法是 OCR → TTS 串联，而不是指望某一个接口全包。

二、计费口径：按字符，不按分钟（全文最值钱的一节）

这是 TTS 最容易被误解、也最值得先搞清楚的一节。市面上大量第三方 TTS 按"合成时长"或"调用次数"报价，而腾讯云国际版 TTS 官方口径是按最终处理的字符数计费，且只有两档单价：

计费与结算规则（官方 Purchase Guide 原文口径）：

• 计费模式：按量计费（Pay-as-You-Go），后付费；
• 结算周期：按日结算，今天产生的用量次日出账并扣费；
• 扣费依据：以"最终处理的字符数"为准，SSML 标记不额外收费（官方 FAQ 明确"按最终处理字符数收费"）；
• 欠费处理：账户余额为负后，服务在 24 小时后暂停；数据保留 7 天，逾期未充值则数据被销毁且不可恢复。

官方算例复现：当月用标准音色处理 100 万字符、精品音色处理 3,000 万字符，费用为：

100 × 0.125 + 3000 × 0.185 = 12.5 + 555 = 567.5 USD

这个算式里有两点最值得记住：① 计费单位是"万字符"，所以 100 万字符对应的是 100 个单位，不是 1 个单位；② 精品音色的占比一旦上来，账单几乎完全由精品音色主导——上例里精品音色占了 97.8% 的费用。

与 ASR 的横向对比——本文最反直觉的一条：

（1 小时音频按中文播报约 250 字/分钟估算，即 15,000 字 = 1.5 个计费单位，属示意换算，实际字数取决于语速与文本。）

也就是说，同一段 1 小时的内容，用 TTS"说出来"的成本，只有用 ASR"听回来"的约 1/5 ~ 1/3.6。原因很朴素：ASR 要处理的是"经过压缩、带噪声、需要解码"的音频流，算力开销大；TTS 处理的是"干净、结构化"的文本，单位成本天然更低。做"语音交互闭环"的产品，如果只算 ASR 不算 TTS，会高估整体语音成本。

一个必须提前知道的口径冲突：TTS 的 API 文档（TextToVoice 页）里写着 "It is free for use in beta."，而 Purchase Guide 与 FAQ 都给出了明确的 0.125 / 0.185 USD 单价和计费示例。两个口径并存，建议以控制台实际出账为准；上线前先跑一次小批量、到控制台核对账单，不要仅凭"beta 免费"这句就按零成本做预算。本站惯例是如实并列两个口径，不替官方下结论。

三、53 种音色与参数速查：标准 vs 精品，情感合成是亮点

官方 FAQ 与产品简介都写"目前提供 53 种男声/女声"，并明确 精品音色编号从 101000 起。把 API 文档里 VoiceType 的枚举清单逐条数出来，得到的是 13 个标准音色 + 43 个精品音色（合计 56 个条目）——与"53 种"的说法略有出入，原因是两者统计口径不同，以控制台实际可选音色为准。这种官方文档内部数字不完全对齐的情况，逐项列出比强行统一更负责。

标准音色（Standard，0.125 USD / 万字符）完整清单：

精品音色（Premium，0.185 USD / 万字符）精选：编号从 101000 起，覆盖 zhixiaoyao、zhiyu、zhiling、zhimei、zhiyun、zhili、zhiyan、zhidan、zhihui、zhining、zhimeng、zhitian、zhirong、zhijing、zhigang、zhirui、zhihong、zhixuan、zhihao、zhiwei、zhixi 等；其中还有几个方言/口音音色值得注意——101019-zhitong（粤语）、101040-zhichuan（四川话）、101056-zhilin（东北官话），以及英文 101050-WeJack / 101051-WeRose。粤语、四川话、东北官话这三个方言音色在国际站属于精品档，做本地化播报时别默认它们和普通话同价。

核心请求参数速查表（TextToVoice）：

EmotionCategory 支持的 17 种情感：neutral（中性）、sad、happy、angry、fear、news（新闻）、story（故事）、radio（电台）、poetry（诗歌）、call（客服）、sajiao（撒娇）、disgusted、amaze、peaceful、exciting、aojiao（傲娇）、jieshuo（解说）。情感合成是 TTS 相对很多同类产品的一个实打实的差异点——有声书、剧情号做多角色切换时，不用再靠拼接不同音色来"演"，同一个音色加情感标签即可。

输出方面，TextToVoice 直接返回 Base64 编码的音频数据（Audio 字段）和时间戳（Subtitles），无需轮询任务——这是一次同步返回的接口，也是它与 ASR 的 CreateRecTask（异步、需轮询 DescribeTaskStatus）最大的工程差别。同步意味着简单，但也意味着单次不能太长（受 150 字上限约束），长文本必须自己分片，这一点在第五节实操里会给出可直接用的分片代码。

四、四套真实场景成本测算

把第二节的单价套进具体业务里，成本账会清晰很多。以下均按 0.125（标准）/ 0.185（精品）USD 每万字符计算，结果已逐格脚本复算：

几条从表里能直接读出来的结论：

1. 低频、内容型场景（有声书、课程）成本近乎可忽略。一本 20 万字的有声书，即使全用精品音色也只要 3.7 USD——相比雇真人配音，这个量级的差异是数量级的。
2. 成本真正失控的地方是"高频交互"（场景 C / D）。客服机器人每次应答都要现合成一遍语音，2 万次/天就是 3,000 万字符/月，精品音色下 555 USD/月。这里的省钱关键是缓存：同样的问候语、菜单播报、状态提示，合成一次就把 MP3 存下来复用，而不是每次都调 TTS。
3. 标准 vs 精品的取舍有官方给的现成策略：FAQ 里的建议是"有声书的热门书用精品音色、其余用标准音色"——用 0.06 USD/万字符的差价换用户体验，把预算花在真正会被反复听的内容上。
4. 注意"字符"的计数陷阱：计费按最终处理的字符，中文里一个全角标点也按一个汉字算。文本里大量的空格、换行、标点都会计入。做批量前先用脚本统计一遍真实字符数，别按"字数感受"估。

五、七步实操：从开通到拿到第一段音频

下面按控制台 + Python SDK 的完整路径走一遍。国际站的接入点域名是 tts.intl.tencentcloudapi.com，Region 只支持 ap-singapore（新加坡）。

第 1 步，注册国际站账号并完成认证。 打开 intl.cloud.tencent.com 注册（免实名即可开通基础服务，涉及支付时再按提示补充）。已有账号直接登录。

第 2 步，开通 TTS 服务。 登录 TTS 控制台（console.tencentcloud.com/tts）点击激活。官方 Operation Guide 明确：TTS 激活后即按量计费，无需预先购买套餐。

第 3 步，创建 API 密钥。 到 API 密钥管理页点击 "Create Key"，得到 AppID、SecretId、SecretKey 三件套，用于生成请求签名。密钥只显示一次，务必妥善保存。

第 4 步，用 Python SDK 跑通第一次合成。 先安装国际版 SDK（pip install tencentcloud-sdk-python-intl-en，注意是 -intl-en 后缀的国际版包），然后调用 TextToVoice。下面是可直接运行的完整代码（纯代码、无注释，步骤说明放在块外）：

import base64
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.tts.v20190823 import tts_client, models

cred = credential.Credential("你的SecretId", "你的SecretKey")

http_profile = HttpProfile()
http_profile.endpoint = "tts.intl.tencentcloudapi.com"

client_profile = ClientProfile()
client_profile.httpProfile = http_profile

client = tts_client.TtsClient(cred, "ap-singapore", client_profile)

req = models.TextToVoiceRequest()
req.Text = "欢迎使用腾讯云国际版语音合成服务，这是一段示例音频。"
req.SessionId = "session-20261009-demo"
req.VoiceType = 101001
req.SampleRate = 16000
req.Codec = "mp3"
req.Speed = 0.5
req.Volume = 2

resp = client.TextToVoice(req)

audio_bytes = base64.b64decode(resp.Audio)
with open("output.mp3", "wb") as f:
    f.write(audio_bytes)

print("合成完成，音频字节数：", len(audio_bytes))
print("时间戳条数：", len(resp.Subtitles))

跑通后会得到一个 output.mp3。若返回 InvalidParameterValue.AppIdNotRegistered，就是第 2 步没激活服务。

第 5 步，长文本分片合成并拼接。 因为单次 Text 上限 150 个汉字，一本小说必须切段。最简单的做法是按 150 字切片、逐段合成、把每段 MP3 字节按顺序写进同一个文件。下面是分片辅助函数（同样纯代码）：

import uuid

def split_text(text, size=150):
    return [text[i:i + size] for i in range(0, len(text), size)]

def synth_long(text, path):
    pieces = []
    for seg in split_text(text):
        r = models.TextToVoiceRequest()
        r.Text = seg
        r.SessionId = str(uuid.uuid4())
        r.VoiceType = 101001
        r.Codec = "mp3"
        r.SampleRate = 16000
        pieces.append(client.TextToVoice(r).Audio)
    with open(path, "wb") as out:
        for p in pieces:
            out.write(base64.b64decode(p))
    print("段落数：", len(pieces), "-> ", path)

切片要尽量在标点处断开，否则一句话被拦腰截断会出现怪异的停顿或连读。生产环境建议按 。！？； 做切分，再对超长句二次切分。

第 6 步，用 SSML 解决停顿、多音字和数字读法。 官方 FAQ 明确：自定义读音、数字读法、段落间停顿都通过 SSML（语音合成标记语言） 实现，Text 参数直接支持 SSML 语法。常用能力包括用 break 标签插入停顿、用 phoneme 标签纠正多音字、用 say-as 标签指定数字/货币/地址的读法。注意 SSML 标签不额外收费（按最终处理字符数收费），但注意数字部分只能是数字、,、. 和空格，否则会报 InvalidParameterValue.ErrorCardinalFormat。

第 7 步，查看用量与对账。 登录 TTS 控制台可查看每次合成的明细。控制台目前只保留 200 个生成的语音文件，且 API 调用本身不做数据留存——生成的音频务必下载到本地/对象存储做持久化，不要依赖控制台当"仓库"。

六、七个硬边界与避坑要点

TTS 接口简单，但要真正用稳，下面这些边界必须提前知道：

1. 单次 150 个汉字是硬上限，且全角标点也占位。Text 最多 150 个汉字（或 500 个字母），逗号、句号、问号这些全角标点各算一个汉字。一封 200 字的产品文案直接被拒，必须先分片。超限报 UnsupportedOperation.TextTooLong。
2. 国际站只公开了 1 个 TTS 接口。API Category 里 TextToVoice 是唯一列出的接口，没有国内站那种"长文本异步合成任务"接口。这意味着国际站做有声书只能"分片 + 同步调用 + 本地拼接"，无法把长文本一次性交给服务端异步处理。选型前务必认清这一点。
3. 默认限流 20 请求/秒。单请求 150 字、20 QPS，理论上限是 3,000 字符/秒（约 1,080 万字符/小时）。批量合成时要自己做令牌桶限速 + 失败重试，否则会遇到 LimitExceeded.AccessLimit。注意还有 InternalError.ExceedMaxLimit（服务高负载被限流）和 InternalError.NoResource（资源不足），二者属于服务端侧，重试即可。
4. Region 只有 ap-singapore。国际站 TTS 当前只支持新加坡地域，请求头 X-TC-Region 填 ap-singapore。跨境调用时留意网络时延，批量任务建议放在同区域的 CVM 上跑。
5. 支持语言只有中/英/中英混读。粤语、四川话、东北官话虽在音色清单里，但它们属于方言发音的音色，不属于"支持的语言"范畴；不要指望用 TTS 做多语种翻译播报（翻译是 TMT 的职责）。
6. 不支持的能力别硬凑：不支持本地化部署（需提工单）、不支持插入打字/脚步声等音效、不支持直接生成视频文件、不支持在控制台长期留存数据（仅 200 个文件）。
7. 计费口径以控制台出账为准。API 文档写 "free in beta"，Purchase Guide 给了 0.125 / 0.185 的明确单价——上线前先小批量跑一次、次日出账后核对，避免预算失真。另注意欠费 24 小时停服、数据 7 天销毁这条硬规则，做长周期任务时把余额监控挂上。

总结与延伸阅读

腾讯云国际版 TTS 是一把"便宜、简单、够用"的语音合成工具：唯一接口 TextToVoice 同步返回音频、单次 150 字、按字符计费（0.125 / 0.185 USD 每万字符）、53 种音色含 17 种情感与 3 种方言。它最适合低频、内容型场景（有声书、课程、播报），成本几乎可忽略；真正需要精打细算的是高频交互场景，靠缓存复用 + 标准/精品分级把账单压下来。

把它和站内的几篇放一起看，AI 基础能力这条线就完整了：

• 把声音变成文字——腾讯云国际版语音识别 ASR 实战
• 把文字翻成另一种语言——腾讯云国际版机器翻译 TMT 实战

🚀 需要海外云服务器部署你的语音应用？通过 4.chengzicloud.cloud 访问首页，可一站对比腾讯云国际版等主流海外云厂商的服务器方案与优惠。

本文由 4.chengzicloud.cloud 提供，点击访问首页了解更多