游戏 NPC 实时语音 API:2026 年对比
对比 OpenAI Realtime、Gemini Live、ElevenLabs Agents、Deepgram、Amazon Nova Sonic 和 Hume EVI 在有声游戏角色中的表现,以及你仍需在其之上构建的内容。
Neocortex TeamThe team behind Neocortex
· 更新于 2026年10月20日 · 阅读约 7 分钟

Hume 已宣布关停其 EVI 和 TTS 语音 API,所有基于它们构建会说话角色的开发者现在都必须迁移。 这提醒我们,实时语音 API 只是游戏角色的一层,而这一层可能在你不知情的情况下发生变化。
实时语音模型已经足够好,做一个会说话的 NPC 演示只需一个下午。但选择用哪个 API 来开发游戏就困难得多,因为其中大多数是为客服场景设计的,而不是为游戏设计的。 下面是主要实时语音 API 在游戏 NPC 方面的对比,以及在每个 API 之上需要构建什么。
哪些实时语音 API 可以为游戏 NPC 配音?
OpenAI Realtime。 通过 WebRTC 或 WebSocket 进行语音输入和语音输出,按音频和文本 token 计费。单次会话在 60 分钟后结束。没有官方的 Unity SDK,因此音频客户端和 token 服务器需要你自己构建。
Gemini Live。 谷歌的实时 API,同样按 token 计费。WebSocket 连接大约持续 10 分钟,会话恢复功能允许客户端重新连接并继续。Unity 的访问通过 Firebase AI Logic 实现,其 Unity SDK 目前处于预览阶段。
ElevenLabs Agents。 以语音为核心的代理平台,按分钟计费,语言模型另行收费。并发数取决于你的方案。ElevenLabs 为网页和移动框架提供官方 SDK,另有一个早期阶段的 Unity SDK,可能会在不另行通知的情况下变更。
Deepgram Voice Agent。 按分钟计费,可以选择自带语言模型或 TTS。提供 C# SDK,但没有 Unity 包,并发数取决于你的方案。
Amazon Nova Sonic。 运行在 Amazon Bedrock 上的语音对语音服务,按 token 计费,单次连接限制为 8 分钟,超时后需要打开新连接,并将历史记录传回。它面向呼叫中心,没有 Unity SDK。
Hume EVI。 将与 Hume 的 TTS API 一同关停。如果你已基于它发布产品,请立即规划迁移,因为语音 ID 和配置无法转移到其他提供商。
它们如何对比?
| API | 状态 | Unity 支持 | 计费依据 | 会话限制 |
|---|---|---|---|---|
| OpenAI Realtime | 正常运行 | 无官方 SDK | 音频和文本 token | 60 分钟会话 |
| Gemini Live | 正常运行 | Firebase AI Logic,预览中 | 音频和文本 token | 约 10 分钟连接,可恢复 |
| ElevenLabs Agents | 正常运行 | 早期官方 SDK | 每分钟加 LLM | 基于方案的并发数 |
| Deepgram Voice Agent | 正常运行 | 无包,提供 C# SDK | 每分钟 | 基于方案的并发数 |
| Amazon Nova Sonic | 正常运行 | 无 | token | 8 分钟连接 |
| Hume EVI | 即将关停 | 无 | 现已不适用 | 立即迁移 |
语音 API 之外你还需要构建什么?
这些 API 都不是游戏角色。无论选择哪一个,你仍然需要构建:
- 引擎音频客户端。 在 Unity 或 Unreal 中完成采集、编码、播放和打断处理,包括 WebGL,因为 Unity 内置的麦克风类在 WebGL 中无法使用。
- 后端服务。 签发短期有效的 token,确保密钥不会打包进游戏中,避免被玩家提取。
- 角色本身。 性格、知识、记忆和护栏,都需要以提示词的形式编写和维护。
- 会话管理。 在时间限制到达之前重新连接,跨连接保留上下文,并在玩家的网络在句子中途断开时恢复。
- 游戏集成。 将函数调用转换为动作,并把场景状态反馈给角色,让它知道玩家正在看什么。
- 成本控制。 针对按分钟或按 token 计费的方式进行控制,包括玩家开着麦克风不说话时会发生什么。
- 维护。 随着模型、价格和 API 的变化、改名或关停而持续维护。
对于小团队来说,仅第 1、2、4 项就需要数周时间,才能让第一句台词听起来正确。
运行语音 NPC 需要多少成本?
主要有两种计费方式。Token 计费(OpenAI、Gemini、Nova Sonic)按音频输入和音频输出收费,因此随着对话增长,较长的回复和较长的历史记录成本更高。分钟计费(ElevenLabs、Deepgram)按连接时长收费,因此玩家阅读菜单时的沉默也会计费,除非你关闭会话。
无论哪种方式,成本都取决于玩家说话的多少,而不是你有多少玩家。一个 NPC 始终作为伴侣存在的游戏,与一个玩家只和商贩聊三十秒的游戏,成本差异很大。上线前请进行建模,如果语言模型单独计费,也要把它计入在内。
Neocortex 采用固定的月度方案,并包含用量额度:Starter(EUR 9,个人和学术用途)、Pro(EUR 29,商业用途)和 Team(EUR 99,五个席位)。
如何迁移离开即将关停的语音 API?
如果你要离开 Hume EVI,或者想为某个 API 变更的那一天做好准备,迁移到 Neocortex 的步骤如下:
- 导出现有数据。 在访问权限结束前,下载音频、文字稿和日志,并复制每个角色的系统提示词和语音设置。
- 在编辑器中重建每个角色。 系统提示词会拆分为 Agent 节点(角色是谁)、Personality 和 Emotion 节点(角色如何反应),以及 Knowledge 文件(角色知道什么)。
- 重新创建声音。 从你拥有权利的样本进行克隆,或用文字描述并使用语音设计功能。
- 替换客户端。 用你所用引擎的 Neocortex SDK 替换你的 WebSocket 音频代码;其他环境则使用 Web API。
- 将工具映射为动作。 你原来处理的每个函数调用,都会变成回复中出现时由游戏执行的动作。
语音 API 还是角色平台?
Neocortex 处于更高一层。你得到的不是语音 API,而是完整的角色:在可视化编辑器中设计,使用克隆或设计的声音配音,并通过 Unity、Unreal 和 Godot 的 SDK,或 Web API 提供。
| 语音 API | Neocortex | |
|---|---|---|
| 引擎 SDK | 通常需要自己构建 | Unity、Unreal、Godot |
| WebGL 麦克风 | 需自行构建 | 包含在 Unity SDK 中 |
| 角色设计 | 提示词 | 可视化节点编辑器,包括 Personality、Emotion、Knowledge 等 |
| 声音 | 提供商预设 | 语音克隆和语音设计(Pro 5 个,Team 20 个) |
| 游戏动作 | 自行连接函数调用 | 内置动作和可交互对象 |
| 故事结构 | 自行构建 | 带 flowState 检查点的 Conversation Flows |
| 供应商变更 | 你的问题 | 我们的问题 |
结论
这些 API 中的每一个都只是语音 NPC 的一层,Hume 的关停说明了一层可以多快消失。Neocortex 则是完整的角色:支持流式语音输入和输出,拥有你自己的声音,提供游戏可以执行的动作,并且引擎 SDK 已经处理好了音频。构建一个角色,就能在你的场景中听到它说话。
单独对比
- OpenAI Realtime API 与 Neocortex 对比
- Gemini Live API 与 Neocortex 对比
- 适用于游戏 NPC 的 ElevenLabs Agents
- Deepgram Voice Agent 与 Neocortex 对比
- Amazon Nova Sonic 与 Neocortex 对比
- Hume EVI 即将关停
API 详情最后一次核查于2026年10月。
常见问题
Hume EVI 要关停了吗?
是的。Hume 将于2026年11月13日终止其 EVI 和 TTS API,此后将删除账户数据。Neocortex 将流式语音转文字、文字转语音和自定义声音作为完整角色的一部分提供,并提供 Unity、Unreal 和 Godot 的 SDK。
OpenAI Realtime API 有 Unity SDK 吗?
没有,OpenAI 不提供官方 Unity SDK,因此你需要自己构建音频客户端、token 服务器和重连逻辑。Neocortex 提供适用于 Unity 6 的 Unity SDK,附带六个示例场景,并在 WebGL 构建中支持麦克风。
实时语音会话能持续多久?
因情况而异:OpenAI Realtime 会话在 60 分钟后结束,Gemini Live 连接除非恢复,否则约持续 10 分钟,Nova Sonic 连接持续 8 分钟。使用 Neocortex 时,SDK 负责处理对话,你只需在每个玩家回合发生时将其发送。
哪个语音 API 对游戏 NPC 最便宜?
按 token 计费和按分钟计费的 API 都会随玩家说话的多少而扩大成本,语言模型通常还要另外计费。Neocortex 采用固定月费方案,并包含用量额度。
NPC 可以使用自定义声音吗?
大多数语音 API 提供预设声音,而克隆通常是单独的产品。在 Neocortex 上,你可以从一段你拥有权利的短样本中克隆声音,也可以根据文字描述设计声音:Pro 方案 5 个自定义声音,Team 方案 20 个。






