Feedback

文字转语音配置

本文主要介绍 TTS 模块的配置。
TTS 模块将 LLM 生成的文本回复转换为自然语音，实时交付给用户。依托 TRTC 超低延迟管线（端到端音频延迟低于 300ms），合成语音以最小延迟触达用户。灵活的框架支持选择 TRTC 内置实时 TTS（精选音色库）或通过 TTSConfig 对象接入第三方 TTS 提供商。
可用提供商
提供商
模型
集成方式
适用场景
﻿TRTC TTS﻿
flow_01_turbo 等
内置
最低延迟，无需外部账号
﻿MiniMax TTS﻿
speech-2.8-turbo、speech-2.8-hd 等
自带
情感丰富的中文音色
﻿Azure TTS﻿
Neural voices（400+）
自带
400+ 音色、140+ 语言
﻿Cartesia﻿
sonic-3-2026-01-12、sonic-multilingual 等
自带
超低延迟、实时流式
﻿ElevenLabs﻿
eleven_3、eleven_flash_v2_5 等
自带
最接近人声、语音克隆
﻿Inworld﻿
Inworld AI 音色
自带
游戏 NPC、交互式角色
﻿自定义 TTS﻿
你的模型
自带
接入自有 TTS 服务
内置 vs 自带：
TRTC 内置 TTS 提供开箱即用的音色库，无需外部账号。所有自带提供商需开通相应服务账号并获取 API 密钥。各提供商的完整配置说明请参阅各自的子页面。
完整 TTS 参数参考，请参阅 Text-to-Speech Configuration。

提供商	模型	集成方式	适用场景
TRTC TTS	flow_01_turbo 等	内置	最低延迟，无需外部账号
MiniMax TTS	speech-2.8-turbo、speech-2.8-hd 等	自带	情感丰富的中文音色
Azure TTS	Neural voices（400+）	自带	400+ 音色、140+ 语言
Cartesia	sonic-3-2026-01-12、sonic-multilingual 等	自带	超低延迟、实时流式
ElevenLabs	eleven_3、eleven_flash_v2_5 等	自带	最接近人声、语音克隆
Inworld	Inworld AI 音色	自带	游戏 NPC、交互式角色
自定义 TTS	你的模型	自带	接入自有 TTS 服务