我们和 PlayHT 是竞争关系,请点开链接。先说一件不太寻常的事:2026-09-21 当天,play.ht 直接拒绝了我们的抓取——定价页和首页上连试三次,连接都被关掉。所以这一页上完全没有 PlayHT 的价格、免费档条款或商用条款。下面的一切都来自 docs.play.ht,那边是有响应的。
这个限制值得大声说出来,因为关于任何工具最常见的问题就是它多少钱,而这一页我们没法替他们回答。
我们能核实到的部分
| CastDub | PlayHT | ElevenLabs | |
|---|---|---|---|
| 一份贴进去的剧本能出多个角色吗? | 可以,而且这就是产品本身:把剧本贴进来,它自己切出台词、判断谁在说话,再从 40 个库角色里给每个说话人配一个。一个项目里最多 10 把互不相同的基础嗓子。 | PlayDialog 是 “a more advanced model that can generate turn-based dialogues with multiple voices”,通过 API 使用。 (出处) | “There is no limit to the number of speakers in a dialogue”(Text to Dialogue,Eleven v3)。 (出处) |
| 是编辑器,还是 API? | 网页编辑器。贴、选角、导戏、导出。没有面向剧本的公开 API。 | 文档写成一套 API,带语音引擎、速率限制和延迟指引。 (出处) | 两者都有:API 和 Studio 编辑器。 (出处) |
| 情绪控制 | Pro 可以逐句指定;所有套餐都能给每个角色设一个默认情绪。共 7 种情绪,是每一句真的演出来的,不是用音高和语速凑的近似。 | PlayDialog 用 “Adaptive Speech Contextualizer” 来 “control prosody, intonation, emotion and pacing”;逐句的情绪标签未说明。 (出处) | 在文本里写方括号音频标签,例如 [sad]。 (出处) |
| 语言 | 9 种:英语、中文、日语、韩语、西班牙语、葡萄牙语、法语、德语、俄语。每一把基础嗓子都会说全部九种。英语以外不能挑地区口音,我们也不承诺口音。 | Play 3.0 Mini “Supports 36 languages”;PlayHT 2.0 Turbo 是 “English only”;PlayDialog 的多语言标着 “Beta”;Groq 上的 PlayDialog Turbo:“Only two language options are supported: english and arabic”。 (出处) | 付费档位上列出 “74” 种语言。 (出处) |
| 能克隆自己的声音吗? | 只能克隆你自己的:把一段简短的同意声明读出来,这段录音就是这把声音,每个账号最多 3 把。9 种语言的台词都能念,语速有效;情绪和表演提示对它不生效。 | “You can clone any voice instantly across languages with only 30 seconds of speech”。 (出处) | Starter 起即时克隆;Creator 起专业克隆。 (出处) |
| 价格与免费档 | 支付接通之后,Basic 是 $5/月。公测期一分钱不收,所有账号按 Pro 的功能跑。 免费档:有:4,500 点下载额度,一次性终身给,不按月重置(约 16 分钟中文成片);每 24 小时可合成 30 行;每个项目 2 个角色。所有套餐的生成和试听都不扣额度。 | 未核实。2026-09-21 当天 play.ht 对我们的抓取关闭了连接,所以我们没有来自他们自己网站的价格或免费档条款。 | Free $0,每月 10k 额度;Starter $6;Creator $11;Pro $99;Scale $299;Business $990。 (出处) |
| 每个角色一条音频(分轨)吗? | 仅 Pro:一个 ZIP,里面是成片,加上每个角色一条与成片等长的 MP3。 | 在同样的意义上不适用:API 按每次调用返回你请求的音频,拼装是你自己的事。 (出处) | 未说明;Studio 的下载是 “MP3 or WAV”。 (出处) |
| 字幕呢? | Plus和Pro:一份 SRT 文件,导出它不扣额度。 | 我们读到的文档页面上未说明。 (出处) | Studio 里有自动字幕;是否给 SRT 文件未说明。 (出处) |
核对日期 2026-09-21。play.ht 本站不向我们的抓取提供内容,所以 PlayHT 的每一行都来自 docs.play.ht,那边是有响应的。
正因为如此,这一页上没有任何 PlayHT 的价格、免费档上限或商用条款。做决定之前请到他们自己的网站上看。
CastDub 这一列在构建时由产品的套餐定义插值生成。
一份剧本能配出好几个角色吗?
都行,但高度不同。PlayHT 的模型文档把 PlayDialog 描述为 “PlayHT's latest voice model built for fluid, emotive conversation”,并且是 “a more advanced model that can generate turn-based dialogues with multiple voices”(一个更先进的、能用多把嗓子生成轮流对白的模型)。那是货真价实的多说话人能力,也是这一页上最接近我们在做的事的东西——只不过它表现为一个你去调用的模型,而不是一个你待在里面干活的房间。
CastDub 就是那个房间。你贴一份剧本,它切开台词、给每个说话人建一个角色、从 40 个库人设里各配一个,然后你坐在这场戏旁边:重生成某一句、改某个角色的默认情绪、调顺序、导出。这个循环里没有任何一步需要 API 密钥,也不需要你自己写脚本。
所以真正的问题不是谁能产出对白——两边都能——而是你要的是一块积木还是一张工作台。如果你是在给自己的产品接语音,一个带 API 的模型才是正确选择,编辑器只会挡路。
情绪是怎么控制的?
他们那边很大程度上是自动的,而且做得讲究。同一份文档说 PlayDialog 的情绪能力是 “state-of-the-art”,并用一个 “Adaptive Speech Contextualizer” 来 “control prosody, intonation, emotion and pacing”(控制韵律、语调、情绪和节奏)——也就是模型读懂对话的上下文,自己决定怎么演。逐句的情绪标签在我们读到的页面上没有写。
我们这边是显式的:7 种情绪,所有套餐都能给角色设默认值,Pro 可以逐句覆盖,Plus和Pro 另有五档语速。每一句按给定的指示演出来,而不是被滤镜捏成某个形状。
这里有一个容易被忽略的取舍。上下文式的表演在整段对话上通常更好,因为模型听得到上一轮。显式的逐句导演,在那种必须打破惯性的句子上更好——故意说得平的那个笑话、突然压低的那句坦白。如果你的活大多属于前一种,他们那套做法可能就是花更少力气做出更好的戏。
语言呢?
他们的文档是按模型分别写的,数字差得很多:Play 3.0 Mini “Supports 36 languages”;PlayHT 2.0 Turbo 列的是 “English only”;PlayDialog 的多语言支持在他们的对比表里标着 “Beta”;而 Groq 上托管的 PlayDialog Turbo,“Only two language options are supported: english and arabic”(只支持英语和阿拉伯语两种)。
如果你做的不是英语,这一段值得读两遍,因为「多说话人的那个模型」和「语言最多的那个模型」不是同一个。我们这边没有对应的坑:10 把基础嗓子全都会说全部 9 种语言——英语、中文、日语、韩语、西班牙语、葡萄牙语、法语、德语、俄语——而且每一个功能在每门语言下表现一致。
我们不提供的是英语以外的地区口音选择,也不承诺经过母语者审听的品质。贴你自己的台词听一遍;能定这件事的只有这个测试。
能克隆我自己的声音吗?
他们可以:文档里写着 “can clone any voice instantly across languages with only 30 seconds of speech”(只要 30 秒语音就能跨语言即时克隆任何嗓子)。三十秒是很低的门槛,跨语言克隆也是真本事。
我们也可以,但只能克隆你自己的。我们只收一段录音:你亲口读一段简短的同意声明,这段录音就是这把声音——不碰公众人物,永不克隆未成年人,也不克隆任何别人。它能用我们 9 种语言里的任何一种念台词,语速有效;情绪和表演提示不生效。
和这一族里每一页一样,这是一条干净的分界线:如果你的制作依赖某一把不是你自己的具体真人嗓子,或者需要一把会演的克隆声音,就用专门围绕克隆做的那个工具。
最后你能拿走什么?
从我们这里:所有套餐都有一条混好的 MP3,Plus和Pro 能免费导 SRT,Pro 能拿到一个 ZIP——成片加上每个角色一条与成片等长的 MP3,供混音用。没有 WAV,如果你要按交付规格单交东西,这是实打实的限制。
从一个 API 拿到的,就是你请求的东西:每次调用返回的音频字节;拼装——句与句之间的间隔、时间轴、字幕文件——是你自己要搭的。他们的文档里提到 Turbo 引擎上有一个值得提前规划的限制,以及速率上限 “depend on the API you are using and the plan”。这些都不是批评,API 本来就是这样。但它意味着这场对比真正比的是:我们这边你点一下午鼠标,那边你搭一下午管道。
我们的额度模型在这里可能也有影响:只有下载才扣额度,生成和试听都不扣,取而代之的是每天的合成行数上限(免费档 30 行,Pro 档 2,000 行)。做实验这件事不被计量。
什么时候该选 PlayHT
你在做软件的时候。如果语音是你自己产品里的一个功能——一个智能体、一款游戏、一个阅读应用——你需要的是 API 和模型,网页编辑器完全是错的形状。他们的对白模型正是为这件事写的文档。
你对克隆的要求不止是「用自己的声音念台词」的时候,按他们写的三十秒即时克隆。你需要 Play 3.0 Mini 那 36 种语言里、我们没有的某一种的时候——但记得看清哪个模型拿到哪些语言。以及延迟要紧的时候:他们的文档里专门有一页讲怎么降延迟,这本身就说明了他们是为哪一类客户设计的。
选我们,是在剧本前面坐着一个人而不是一个程序的时候:好几个说话人,台词要反复剪,最后还要分轨和字幕,而且全程不写一行代码。
这一页是怎么写出来的
我们是竞争对手,这一页也是我们写的,所以它唯一值得你花时间的地方是它可核查。上面每一句关于 PlayHT 的话都引自 docs.play.ht,2026-09-21 当天读的,链接就在旁边。
这里整整缺了三个主题——价格、免费档上限、商用条款——因为 play.ht 对我们关掉了连接。我们本可以从十几家评测站里随便挑一个数字填上。我们没有,因为一页把核实过的引文和二手数字混在一起,比一页承认自己有窟窿更不可信;也因为这个产品在各评测站上的价格彼此并不一致。
我们没有对谁的嗓子更好听下过判断,也没有在任何只是「没找到」的地方打叉。凡是他们能力确实更强的地方——有文档的对白模型、三十秒克隆、某个引擎上的 36 种语言——都用他们自己的话写出来,没有转述成更小的版本。
我们这一列由产品跑着的那份套餐代码生成,所以它没法漂移成自夸。
每条事实的出处
上面凡是描述别家产品的格子,都出自下面这几个页面。建议你自己点开看一眼——厂商改套餐从来不会通知谁,也包括不会通知我们。
- PlayHT — 语音引擎文档 — PlayDialog “can generate turn-based dialogues with multiple voices”,并用 “Adaptive Speech Contextualizer” 控制 “prosody, intonation, emotion and pacing”;Play 3.0 Mini “Supports 36 languages”;PlayHT 2.0 Turbo “English only”;PlayDialog 的多语言标着 Beta。
- PlayHT — Groq 上的 Dialog Turbo — “Only two language options are supported: english and arabic.”
- PlayHT — 文档首页 — “You can clone any voice instantly across languages with only 30 seconds of speech”;PlayDialog 被列为一个语音引擎。
- PlayHT — 速率限制 — “our APIs are rate-limited. The specific limits depend on the API you are using and the plan”。
- PlayHT — 定价页 — 2026-09-21 当天对我们的抓取关闭了连接;没有从中取用任何价格或档位条款。
- ElevenLabs — 定价页 — 各档价格与额度;克隆分档;74 种语言。
- ElevenLabs — Text to Dialogue 文档 — 一段对白里的说话人数没有上限;方括号音频标签控制表演。
常见问题
这一页为什么不列 PlayHT 的价格?
因为 2026-09-21 当天他们的网站不给我们的抓取返回内容——试了三次,每次都是连接被关。这里的每一条事实都来自他们的文档,那边有响应。价格请直接去他们的定价页看;等我们能从他们自己的页面上读到,就会把数字补上。
PlayDialog 和 CastDub 的自动选角是一回事吗?
不是,差别在层次。PlayDialog 是一个模型,文档说它通过 API 生成 “turn-based dialogues with multiple voices”;CastDub 是一个编辑器,吃下一整份贴进来的剧本,建出角色、从 40 个库人设里选角,并且让你不写代码就能重剪单独某一句。
CastDub 有 API 吗?
没有面向剧本制作的公开 API。如果你需要在自己的软件里生成对白,API 优先的服务商才是对的形状,我们不在候选之列。
一场戏能用多少把嗓子?
10 把互不相同的基础嗓子(女 4、男 5、中性 1)。超过之后角色就开始共用,只能靠表演指示分辨,所以大群戏请照这个数来排。
CastDub 支持哪些语言?
9 种:英语、中文、日语、韩语、西班牙语、葡萄牙语、法语、德语、俄语,而且每一把基础嗓子都会说全部。英语以外选不了地区口音,我们也不承诺。
能拿到用来混音的分轨吗?
Pro 可以:一个 ZIP,里面是成片和每个角色一条与成片等长的 MP3,外加 SRT。Plus和Pro 能拿到字幕和一条混好的 MP3。全部是 MP3——没有 WAV 导出。