Unreal Speech
Unreal Speech · 語音與語言
Unreal Speech 是一款文字轉語音 API，把書面文字變成自然的 AI 語音，約 300 毫秒就能串流音訊，還附上逐字時間戳，價格只有主流語音 API 的一小部分。
關於 Unreal Speech
About
Unreal Speech 是什麼
Unreal Speech 是一款文字轉語音 API，為想在應用程式裡加入語音、又不想付高階語音 AI 價格的開發者而做。你把文字送到端點，透過簡單的 REST 呼叫或串流 websocket 連線，就能拿回朗讀音訊。官方把它定位成 AI 語音合成，成本大約是 ElevenLabs 的十一分之一，語音輸出卻仍相當接近真人。會比較語音工具的人，多半在找更便宜的 ElevenLabs 替代方案，而價格正是它勝出的地方。
它的主要工作是大量生成語音。除了純音訊，Unreal Speech 還會回傳逐字時間戳，標出每個詞的開始與結束時間，這正是字幕、卡拉 OK 式highlight、以及對嘴影片所需要的東西。它也吃得下長工作：單一請求透過非同步任務端點，最多可涵蓋十小時音訊，所以有聲書和長篇旁白不會敗在逾時。
幾個限制值得先知道。免費方案只涵蓋每月的固定字元額度，正式專案就得改用付費方案或按用量計費。語音庫比大型雲端供應商來得小，品質也取決於你挑的語音和模型。它還是一款以 API 為主的產品：沒有拖拉式的編輯器讓你手動修旁白，不寫程式的人得靠其他工具來操作。
開始使用
- 到 Unreal Speech 官網取得免費 API 金鑰，剛開始不需要信用卡。
- 對 /stream 或 /speech 端點送出 POST 請求，帶上你的文字、VoiceId，以及位元率、語速、音高等設定。
- 選擇 libmp3lame 或 pcm_mulaw 之類的編碼，調整音高與語速來塑造語音。
- 文字較長時，改用 /synthesisTasks 端點並輪詢，直到音訊和時間戳都準備好。
- 存下回傳的 MP3，或把時間戳接進應用程式裡的字幕與highlight圖層。
產品資訊
快速了解 Unreal Speech 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 應用程式與後端開發者：只要一個乾淨的 REST 呼叫就能加入語音，不必架整套語音堆疊，也不用簽企業合約。
- 小型工作室與獨立開發者：每個字元價格低，專案預算緊、文字量又大時，旁白成本仍壓得住。
- 固定產出音訊的內容團隊：播客、課程與影片創作者能透過任務端點，把長腳本批次轉成音訊。
任務
- 為影片生成旁白：API 回傳 MP3 音訊加上逐字時間戳，字幕與highlight文字自動對上語音。
- 把長文件變成有聲書：非同步任務端點一次工作可涵蓋十小時語音，適合書籍與報告。
- 為應用程式或機器人加入語音：串流 websocket 連線約 300 毫秒就開始出聲，助理與聊天介面的朗讀回覆維持俐落。
情境
- 用新創預算推出語音功能：小團隊能把文字轉語音接進產品，不必一開始就綁上高階語音 API 的價格。
- 打造閱讀或無障礙工具：逐字時間戳驅動邊聽邊highlight的功能，對跟著文字讀的學生與讀者很實用。
- 為觸及更多人做旁白本地化：切換 VoiceId 就能讓同一份腳本以不同語音出現在 demo、原型與多軌專案裡。
主要功能
約 300 毫秒的串流音訊
/stream 端點回傳音訊很快，官方標示回應約 300 毫秒。這是串流 TTS 的核心路徑，也是延遲要緊時該走的一條：音訊以串流資料送達，而不是得等整個檔案。在助理、遊戲與即時介面裡，這個差距就決定對話聽起來順不順。
逐字時間戳
Unreal Speech 會回傳標出每個詞開始與結束的時間資料，以 JSON 形式附在音訊旁邊。字幕、卡拉 OK 式highlight，以及精準跟隨語音的文字，都靠它撐起來。較新的 websocket 路徑會把音訊和時間戳一起串流，highlight圖層就能即時更新，不必等整段音檔。
最長十小時的長篇合成
/synthesisTasks 端點用單一請求處理大工作，官方標示支援最多十小時音訊。這對有聲書、長課程與整份報告很合適，否則這些內容得先切塊再拼接。你送出文字、輪詢任務，完成後把成品音訊連同時間戳檔一起取回。
自然語音與語速、音高控制
每個請求都接受一個 VoiceId，以及語速、音高、位元率等數值，所以不必重錄就能調整演出。位元率高達 320k，播放清晰；語速與音高的變化，讓你對上某個角色或某種節奏。語音庫以一批精選具名語音為主，而非數百種選項，挑起來簡單，但整體選擇較少。
彈性的編碼與格式
API 以 libmp3lame、pcm_mulaw 等編碼輸出音訊，涵蓋常見的 MP3 交付與較低頻寬的電話式音訊。你可以依目標平台設定取樣率與位元率，同一個服務就能同時應付網頁播放與電話式流程。這個範圍替你省下事後轉檔的功夫。
簡單的 REST 與 WebSocket API
服務圍繞少數端點運作：/stream 處理短片段、/speech 處理中等文字並附時間戳網址、/synthesisTasks 處理長工作，/streamWithTimestamps 則即時提供音訊與時間。驗證就是單純的 bearer token，文件也附上 Python、Node 與 cURL 範例。正是這種低門檻，讓這套開發者語音 API 一個下午就能接進原型。
優缺點
優點
- 價格是最大賣點：作為平價 TTS 選項，它比 ElevenLabs 便宜好幾倍，專案產出大量語音時差別很明顯。
- 免費方案讓你用真實字元測試 API 再決定付費，可以拿自己的腳本判斷語音品質。
- 逐字時間戳會跟著音訊一起回來，省下手動對齊字幕或highlight的額外步驟。
- 任務端點一次工作可處理最多十小時語音，長有聲書與報告不必自行切段。
- 串流 websocket 路徑約 300 毫秒就開始出聲，讓即時語音回覆保持靈敏。
缺點
- 語音庫比大型雲端語音供應商來得小，冷門口音或語言可能找不到。
- 準確度與節奏會因語音和模型而異，把整個專案押在單一選擇前，最好先測一段樣本。
- 它是純 API 產品，沒有點選式編輯器，不寫程式的人得另找工具才能做出完成的旁白。
- 免費或折扣方案的品質受每月字元數上限限制，用量大時可能比預期更早用完額度。
常見問題
Unreal Speech 是一款文字轉語音 API 與 TTS API，把書面文字轉成自然的 AI 語音。開發者把文字送到 REST 或 websocket 端點，取回朗讀音訊，並附上逐字時間戳供字幕與highlight使用。它為想加入語音功能、又不想付高階語音 AI 價格的團隊而設。
相關內容
探索與 Unreal Speech 相關的工具、技能與文章。
Unreal Speech 替代方案
Prosp
Prosp · 寫作 · 語音與語言 · 行銷Prosp 是一款 AI LinkedIn 開發信工具，專為代理商與業務團隊打造，會針對每位潛在客戶以你自己的聲音撰寫訊息與語音訊息，讓他們真的回覆。你連接帳號、尋找潛在客戶，讓 AI 大規模草擬並發送個人化訊息，全部在一個收件匣完成。它是為大量進行陌生開發的人設計的。這就是它全部的賣點。每一個接觸點仍然必須感覺像真人。
Wordly AI Translation
Wordly · 語音與語言 · 生產力Wordly AI Translation 是一套為會議、研討會與活動打造的即時 AI 翻譯與字幕平台。它提供 60 多種語言的即時翻譯、字幕、逐字稿與摘要，與會者只要掃描 QR Code 或開啟連結就能加入，不必配戴專用耳機。平台可搭配 Zoom、Microsoft Teams、Google Meet 與 Webex 運作，專為想在每場活動提供多語言服務、又不想每場都請真人口譯的組織而設計。就是這麼單純。
Musicful
Musicful AI · 語音與語言 · 影片Musicful 是一款 AI 音樂生成器與 AI 音樂影片製作工具，能在幾分鐘內把文字變成音樂。給它一段文字提示、一組歌詞或一段哼唱的旋律，它就會回傳一首帶人聲與樂器的完成曲目。它同時也是 AI 歌曲生成器，能用你創作的歌曲產出音樂影片，並提供 AI 翻唱工具與開發者 API。平台可在網頁瀏覽器與 Android App 上執行，所以你能在桌機開始一首歌，再用手機接著做。