ElevenLabs

适合 demo、短视频配乐与灵感发散，强项是快速迭代而非 DAW 级精修混音。

Descript 把音频和视频当成文档来剪：改文字稿、清理人声、加字幕，再把长录制切成可分发片段，不用一上来就打开复杂时间线。

豆包（来自字节跳动）提供 TTS、语音克隆与实时语音识别，对普通话及其他亚洲语言有专项优化。当需要英语之外的语音管线时，它是常见选择。