我做语音播客自动化时踩过最大的坑，不是模型选错，而是月底看到账单才反应过来：同样合成 10 小时音频，三家报价能差出十几倍。今天这篇我用真实账单数据，把 ElevenLabs、Pocket TTS 与 Gemini 2.5 Flash TTS 三套方案的延迟、价格、稳定性一次性拉清楚，并给出用 HolySheep AI 中转后的国内接入方案。
一、先看一张背景图：大模型 API 的 Token 单价到底有多卷
在进入 TTS 之前，先把 2026 年主流 LLM 的 output 价格统一对照——这是你做整体方案预算时的锚点：
| 模型 | 官方 output 价格 | 每 1M Token 月成本（官方 ¥7.3/$1） | HolySheep ¥1=$1 后成本 | 节省 |
|---|---|---|---|---|
| GPT-4.1 | $8 / MTok | ¥58.4 | ¥8 | 86.3% |
| Claude Sonnet 4.5 | $15 / MTok | ¥109.5 | ¥15 | 86.3% |
| Gemini 2.5 Flash | $2.50 / MTok | ¥18.25 | ¥2.50 | 86.3% |
| DeepSeek V3.2 | $0.42 / MTok | <