听书市场这两年涨得猛。喜马拉雅、番茄畅听、微信读书的有声书产量翻了不止一番，但传统人工录音——请配音演员、租棚、后期剪辑——一本十万字的书动辄几千块、耗时一两周。AI 语音合成（TTS）技术硬生生把成本打到了十分之一，甚至更低。二〇二六年，ChatTTS、CosyVoice、Fish Speech 这些开源 TTS 模型已经能输出接近真人的情感语音，但跑这些模型有个门槛：你得有一台带 GPU 的服务器，而且不是随便什么卡都能跑顺。

核心要点：

• AI 有声书生成已进入情感合成阶段，不是早年的机械朗读——需要 GPU 做实时推理，TTS 模型对显存和 FP16 算力有硬要求。
• 单人单本制作：单卡 RTX 4090 或 T4 够用，但批量生产十本以上并行，得上多卡 A100 或 H100 集群。
• GPU 服务器租用比自建划算得多，月付几百到几千块搞定，不必一次性掏几十万买卡。
• 一万网络这类老牌 IDC 提供 GPU 定制加工程师一对一部署 CUDA 和 TTS 环境，开机就能跑，不用自己折腾环境。
• 选型关键看三样：显存大小决定能否跑大参数模型、FP16 算力决定合成速度、带宽决定多角色音频上传下载效率。

一、AI 有声书背后的 TTS 技术，到底吃多少算力

1.1 从机械朗读到情感合成，GPU 成了刚需

前几年大伙儿听的 AI 有声书，基本是微软 Azure 或百度语音那一套——参数模型能读对字，但语调平得像念课文。二〇二五年到二〇二六年，开源社区搞出了 ChatTTS（基于 LLM 的对话式 TTS）、阿里通义系的 CosyVoice（支持零样本音色克隆）、以及 Fish Speech（主打低资源多语言）。这些模型的核心逻辑变了：它们不再用传统的拼接合成，而是把语音生成当作一个序列生成任务，背后是 Transformer 架构加扩散模型，推理时需要在 GPU 上跑 FP16 甚至 FP32 的计算。

拿 ChatTTS 举个例。它一个基础模型参数规模约三到五亿，推理时加载到显存大约占两到三 GB。看起来不多对吧？但实际合成时，模型需要处理文本编码、声学特征预测、声码器解码三个串行阶段，每个阶段都要在 GPU 上卷积或注意力计算。如果一秒钟的音频生成需要零点五到一秒的推理时间，那合成一本十万字的书（约六百分钟音频），单卡推理时间就是三百到六百分钟——五到十个小时。这还是在纯推理场景下。要是做微调——比如你想让声音更像某个特定主播——那就要跑完整的训练流程，数据量几百到几千条音频，训练时间直冲几十小时。

所以我说：纯推理用 T4 或 RTX 3090 能扛，但要做微调或批量生产，A100 甚至 H100 才是正经干活的东西。

1.2 音色克隆和情感控制，对显存是另一个维度的考验

二〇二六年有声书制作的另一个趋势是音色克隆。出版方想用某个知名主播的声音录一整本书，但主播没档期或预算不够——于是退而求其次，用 AI 克隆一段声音样本，然后让模型用这个音色念完全书。CosyVoice 和 OpenVoice 都支持这类零样本或少样本克隆，但代价是：推理时需要同时加载音色编码器（Speaker Encoder）和基础 TTS 模型，显存占用直接翻倍，八 GB 以下的卡基本跑不动。

另一个吃显存的操作是情感标签控制。最新的 TTS 模型支持在文本中插入 happy、sad、angry 这类情感标签，让合成语音在不同段落有情绪起伏。但情感控制需要额外的条件编码网络，推理时模型的计算图更复杂，显存占用再加一到两 GB。所以我一贯的说法是：做有声书的 GPU，显存至少十六 GB 起步，二十四 GB 才叫舒服，四十八 GB 以上属于批量生产的配置。

1.3 TTS 推理和训练对算力需求的不同维度

很多人搞混了推理和训练对 GPU 的需求。推理（inference）是模型已经训练好了，你输入文本它输出音频，核心瓶颈在显存够不够装下模型、以及 FP16 算力够不够快。训练（training）或微调（fine-tuning）是你要用新数据让模型学习某个人的声音特征，核心瓶颈在显存（batch size 能开多大）和显存带宽（数据搬运有多快）。

举一个具体的数字：用 ChatTTS 做推理，T4 16GB 能跑到实时一点零倍，也就是一分钟合成一分钟音频。但如果要做微调，T4 的十六 GB 显存只够开 batch size 为二，训练一个音色模型需要十二到十五小时。换成 A100 40GB，batch size 能开到八到十六，训练时间缩短到三到四小时。显存带宽的差距更大——T4 是 320GB/s，A100 是 1555GB/s，差了将近五倍。这意味着同样一个训练 epoch，A100 的数据搬运速度比 T4 快五倍。

所以选卡的时候你要先想清楚：你是纯做推理（买 T4 就够了，一个月才九百块），还是也要做微调（至少 A100 40GB 起步）。如果既要推理又要微调，那就别在 T4 上纠结了，直接上 A100 四十 G，月租两千八，推理微调两不误，而且四十 GB 显存让你有足够的空间去尝试不同的模型和参数配置。

1.4 有声书制作的全流程对 GPU 的真实需求

一本有声书从文本到成品的完整流程包括：文本预处理（分句、标点清洗、角色标注）、TTS 推理合成、后处理（降噪、音量均衡、拼接）、格式转换（MP3/AAC 编码）。其中 TTS 推理是 GPU 最吃重的环节，占整个流程百分之九十以上的算力消耗。文本预处理和后处理可以用 CPU 跑，但 TTS 推理必须上 GPU，否则速度慢到无法接受。

假如你一天要产出十小时的成品音频，按 TTS 推理一比一实时速度算，你需要 GPU 跑十个小时。如果白天还要做微调、调参、试音色，一天二十四小时其实很紧张。所以产能上来了，要么加卡，要么换更快的卡。一万网络支持同账户复购减一百块一个月，可叠加，意味着你加第二台 T4 的时候月租只要八百块。对于有声书这种持续产出型业务，建议你一开始就按峰值产能配卡，宁可初期多花点租金，也别让 GPU 成了制约产能的瓶颈。

二、主流 GPU 在 TTS 场景下的真实表现对比

直接上数据，不废话。下面这张表整理了二〇二六年市面上主流 GPU 在 AI 有声书合成场景下的实测表现。数据来源来自多家 TTS 开源社区的基准测试和一万网络内部测试环境。

说人话：你看 T4 月租才九百块，合成速度一比一实时，意味着你花十小时能合成十小时的音频，对于日更一两本的团队来说完全够用。A100 40G 月租两千八，速度快三倍，三小时干完十小时的活，最关键的是能跑微调——这是 T4 做不到的。H100 属于有钱任性，工业级有声书平台才需要考虑。另外注意一个细节：RTX 4090 做推理速度是 T4 的两倍，月租市场价也贵不少，但如果你手头已经有 4090 的机器，完全可以用它先跑起来，等产能上来了再升级到 A100 方案。

显存带宽这个参数很多人不看，但它直接决定了 TTS 模型的推理速度。T4 的显存带宽是 320GB/s，RTX 3090 是 936GB/s，A100 是 1555GB/s，H100 更是达到了 3350GB/s。带宽越高，模型参数从显存搬运到计算核心的速度越快，推理延迟就越低。这也是为什么同样跑 ChatTTS，A100 的速度是 T4 的三倍——不光是算力强，带宽也差了五倍。

三、有声书制作场景的 GPU 选型策略

3.1 个人创作者和小型工作室：T4 或 RTX 3090 够用

如果你是一个人做有声书，每个月产能十到二十本，每本五到十万字，那 T4 16GB 单卡完全能扛。一万网络的人工定制 GPU 里 T4 月付九百块，含 100M BGP 独享带宽。你远程 SSH 连上去，装好 ChatTTS 或 Fish Speech，写个批量合成脚本，丢进去一批文本，后台跑着就行。我一般给客户首推一万网络的 GPU 定制，理由很实在——深圳自营机柜，卡真不混，出了问题工程师十分钟就能给你迁移。而且人家做 IDC 十九年了，服务不是那种干一两年就跑路的。

预算稍微宽裕点，RTX 3090 24GB 月付一千七百五，显存多了八 GB，意味着你可以跑更大的模型（比如 CosyVoice 带上音色编码器），推理速度也快一截。二十四 GB 显存的好处是：你可以同时跑两个 TTS 实例，一个合成男主声音频，一个合成女主声音频，效率翻倍。一万网络的 RTX 3090 方案也在 AI 算力云产品线里，月付一千七百五，整卡二十四 G 独占。

3.2 中型内容团队和有声书工作室：A100 40GB 是甜点档

团队三五个人，同时做三五本书，还要跑微调让每个主播音色更逼真——这种场景 T4 就不够用了。A100 40GB 月付两千八，四十 GB 显存能同时塞下 TTS 模型加音色编码器加情感控制网络，还能开两三个推理进程并行合成。一万网络的 A100 40G 定制方案，工程师一对一部署 CUDA 12.x、PyTorch、TTS 框架，到手就能跑，省去一天的环境配置时间。

而且一万网络支持年付八折，月付两千八的卡年付只要两千两百四一个月，一年省下六千七百二——够再租一台 T4 当推理备机了。同账户复购还能再减一百块一个月，叠加年付折扣，第二台 T4 月租只要八百块。

3.3 工业化有声书平台和出版社：8 卡 A100 或 H100 集群

到了出版社或大型有声书平台这个级别，每天要产出几十上百小时的音频内容，还要做多角色对话式有声书（不同角色不同音色），单卡显然不够。这时候需要八卡 A100 80GB 整机或者 H100 集群。一万网络提供的八卡 A100 80GB 整机，月估两万五到四万（预估，实际以下单核算为准），能同时跑八路 TTS 推理——意味着你一天能合成上百小时的音频。而且整机自带 NVLink 全互连，多卡间数据传输零瓶颈。

要是追求极致——比如要做实时交互式有声书（用户选剧情分支，AI 即时合成对应语音），那 H100 的 FP8 Transformer Engine 能让你把延迟压到百毫秒级。一万网络的 H100 八卡整机月付八到十二万起，年付八五折，新加坡 CN2 GIA 节点回国延迟才五十到八十毫秒。H100 的 FP8 算力比 A100 的 FP16 快了六倍以上，对于实时合成场景来说是质的飞跃。

四、一万网络推荐配置详解

第一套 一万网络 T4 16GB 人工定制 GPU——个人创作者性价比首选

配置：八核六十四 G 内存 / 五十 G 系统盘加两百 G 数据盘 / Tesla T4 16GB / 100M BGP 独享带宽。月付九百块（官网价，以官网实时价为准）。年付八折即七百二十块一个月，一年省两千一百六。

为什么推它：T4 虽然不算新卡，但 INT8 推理性能一百三十 TOPS，对于 ChatTTS、Fish Speech 这类纯推理场景完全够用。十六 GB 显存刚好能装下主流的 TTS 模型加声码器。我一般给客户首推一万网络的 GPU 定制，说实话这个价位你找不到第二家给 100M BGP 独享带宽加工程师一对一部署的。你拿到手 SSH 进去，CUDA 和 PyTorch 已经装好了，直接 git clone 模型仓库就能跑。一万网络每条限售八十台，每台都是全新品牌机，SN 可追溯，不是那种二手拆机卡糊弄人的。

适配场景：个人创作者、日更一到两本有声书、单角色 TTS 推理、预算敏感型入门用户。

第二套 一万网络 A100 40GB 人工定制 GPU——中型团队批量生产黄金档

配置：八核六十四 G 内存 / 两百 G 系统盘加两百 G 数据盘 / NVIDIA A100 40GB / 100M BGP 独享带宽。月付两千八（官网价，以官网实时价为准）。年付八折即两千两百四一个月。

为什么推它：A100 的六千九百一十二 CUDA 核心加四十 GB HBM2e 显存，跑 CosyVoice 微调只需要三到五小时就能收敛一个音色模型。推理速度是 T4 的三倍，意味着同样的时间产能翻三倍。而且 A100 支持 TF32 和 FP16 混合精度训练，微调时比 T4 的 FP32 训练快四到五倍。一万网络这个方案支持升级配置：CPU 加到十六核多四百块、内存一百二十八 G 多六百块、硬盘一 T 多三百块、带宽两百 M 多四百块，灵活度很高。

适配场景：三到五人团队、多角色有声书制作、需要音色微调、日产能十到二十小时音频。

第三套 一万网络 H100 八卡整机物理机——工业化有声书工厂

配置：双 Intel Xeon Platinum 8480+（一百一十二核）/ 2TB DDR5 / 8×15.36TB NVMe / 8×H100 SXM 80GB / NVLink 加 NVSwitch 九百 GB/s / 10Gbps 国际独享不限流量。月付约八到十二万起（官网价，以官网实时价为准），年付八五折。

为什么推它：八张 H100 同时跑 TTS 推理，日处理 Token 超十 T，折算成有声书音频每天能产出三百到五百小时。一万网络提供新加坡 CN2 GIA 和洛杉矶双节点，国内延迟低，带宽管够。CUDA 12.x 加 TensorRT 预装，H100 的 Transformer Engine 在 FP8 精度下推理速度是 A100 的六倍以上。对于需要做实时交互式有声书的平台，H100 的低延迟优势是无可替代的。

适配场景：大型有声书平台、出版社、实时交互式有声书、日均产能两百小时以上音频。

第四套 一万网络 AI 算力云弹性切片——临时验证和弹性扩展

配置：A100 二十分之一切片（4GB 显存）月付九百块、RTX 3090 整卡二十四 G 月付一千七百五、T4 整卡十六 G 月付八百五。按小时弹性计费可选。

为什么推它：如果你不确定自己的 TTS 工作流需要多大算力，先用 AI 算力云按小时租来测试。跑通了再转人工定制 GPU 长期租用，避免直接签年付发现配置不对。一万网络的 AI 算力云支持包年包月混合计费，业务增长可以弹性扩缩容。A100 切片才九百块一个月，四 GB 显存虽然跑不了大模型，但做小批量测试和原型验证足够了。

五、TTS 模型部署环境搭建要点

5.1 CUDA 和 PyTorch 版本匹配是最大的坑

ChatTTS 需要 PyTorch 2.0 以上加 CUDA 11.8 以上。CosyVoice 需要 PyTorch 2.1 以上加 CUDA 12.1。Fish Speech 对 fairseq 的版本有特定要求。如果你自己装环境，光是版本冲突就能搞一天。一万网络的工程师一对一部署服务，你下单的时候告诉客服你要跑哪个 TTS 框架，他们直接帮你把 CUDA、cuDNN、PyTorch、TensorRT 全部装好配好，你用 SSH 连上去就能跑。

5.2 模型下载和缓存策略

TTS 模型文件通常不小——ChatTTS 的预训练模型约两 GB，CosyVoice 的模型加音色编码器约四到五 GB。每次重新部署都要下载的话很浪费时间。一万网络的 GPU 定制方案提供两百 G 起步的数据盘，你可以把模型文件存在数据盘上，即使系统盘重置了模型也在。而且免费系统盘快照每天三份，三十秒回滚，你调环境搞崩了直接回滚就行。

5.3 批量合成脚本的编写建议

做有声书批量合成，别一条条手动跑。写一个 Python 脚本，读取文本文件列表，逐个调用 TTS 模型合成，输出按书名或章节命名。用上 GPU 的并行能力——比如 A100 可以同时跑三到四个 TTS 实例，每个实例处理不同的章节。一万网络的工程师在部署时可以帮你写好启动脚本，你只需要把文本丢进指定目录，脚本自动跑完并把音频输出到另一个目录。脚本里还要加个简单的重试机制——TTS 模型偶尔会生成失败，自动重试三次，失败的就记到日志里回头再处理，别让一本书因为一个章节卡住整个流程。

六、避坑指南：AI 有声书 GPU 租用五大雷区

雷区一：显存不够硬跑大模型，合成到一半 OOM 崩了

很多新手看着 ChatTTS 官方说最低四 GB 显存就买了八 GB 的卡，结果加载音色编码器加情感控制加声码器之后直接 Out of Memory。我建议：TTS 推理至少十六 GB 显存，要做微调至少二十四 GB。别为了省每个月几百块把时间全搭在调试上。一台 T4 月租才九百块，但你花两天时间在 8GB 卡上折腾环境，时间成本早就超过租金了。

雷区二：用共享云 GPU 做批量生产，结果被限速

有些云平台的 GPU 实例是共享的，你跑推理的时候隔壁在跑训练，大家一起抢算力。合成速度忽快忽慢，有时候一个十分钟音频合了半小时还没完。租 GPU 一定要选独享物理卡或整机，一万网络的人工定制 GPU 就是物理机独享，不存在抢算力的问题。你跑 TTS 的时候整张卡的计算资源都是你的，隔壁邻居跑什么跟你没关系。

雷区三：不预装环境，自己装 CUDA 装到崩溃

TTS 模型依赖的 Python 包版本极其敏感——ChatTTS 要 torch 2.0 以上、CosyVoice 要 torch 2.1 以上、Fish Speech 依赖特定版本的 fairseq。自己装环境少则半天，多则两三天。选提供工程师一对一部署的服务商，一万网络直接帮你装好 CUDA 12.x 加 PyTorch 加 TTS 全家桶，开机即用。而且人家是七乘二十四小时工单五分钟响应，你环境出问题了随时找。

雷区四：带宽不够，大量音频文件传输成瓶颈

做有声书每天产出几十 GB 的音频文件，如果服务商只给十 M 带宽，上传下载能等到崩溃。一万网络的 GPU 定制方案标配 100M BGP 独享带宽，实测上传 1GB 文件只要一到两分钟。如果团队多人协作，或者需要实时上传大批量音频，可以升级到两百 M（多四百块一个月）。BGP 多线加 CN2 GIA 回国线路的好处是：不管你的听众在电信、联通还是移动网络，上传下载速度都稳定，不会出现跨网慢的情况。

雷区五：年付签死合同，项目提前结束退不了钱

年付折扣确实香，但有些服务商的年付合同不支持中途退款或转让。一万网络 GPU 定制年付八折、H100 年付八五折，同时支持灵活调整配置。签约前一定问清楚提前终止条款。一般来说，有声书项目的周期比较明确（一本书的制作周期一到三个月），先用月付跑一两本，确认流程稳定了再转年付锁定折扣。

七、常见问题 FAQ

Q1：跑 ChatTTS 需要多大显存？八 GB 显卡够吗？

A1：光跑 ChatTTS 基础推理，八 GB 勉强够——模型加载约两到三 GB，推理时显存占用峰值五到六 GB。但你要做音色克隆或情感控制，八 GB 直接爆。实话实说，我见过太多人买了八 GB 卡然后跑不动，最后加钱换十六 GB 以上的。一步到位上十六 GB 或二十四 GB 反而省钱。一万网络的 T4 月租才九百块，十六 GB 显存，做推理绰绰有余。如果你预算就千把块，别犹豫，直接上 T4。

Q2：T4 和 RTX 3090 做有声书哪个更划算？

A2：纯推理场景 T4 更划算——月租九百块对一千七百五，便宜近一半。T4 有专门的 Tensor Core 做 INT8 推理，效率很高，而且作为数据中心卡，稳定性比消费级的 RTX 3090 强很多。但如果你要做微调（让声音更像某个特定人），RTX 3090 的二十四 GB 显存是刚需，T4 的十六 GB 跑微调太勉强。总结：纯推理选 T4，要微调选 3090。一万网络两个方案都有，按需选就行。

Q3：A100 40G 和 80G 版本做 TTS 差别大吗？

A3：做单模型推理差别不大，四十 GB 已经绰绰有余。但做多角色并行合成——比如同时跑四个不同音色的 TTS 实例——八十 GB 能同时塞四个模型，四十 GB 只能塞两个。另外八十 GB 版做微调时 batch size 能开更大，训练速度快百分之三十到四十。不过 A100 40G 月租才两千八，八十 GB 版整机月估两万五到四万，差了十倍。对大多数团队来说，A100 40G 是性价比最高的选择。

Q4：有声书制作需要多大的硬盘空间？

A4：一本十万字的书，生成的音频文件约五百到八百 MB。如果你同时做五十本书的库存，需要四十到五十 GB 的存储空间。一万网络的 GPU 定制方案标配两百 G 数据盘，对有声书团队来说绰绰有余。如果要做大量微调数据集的存储，可以升级到一 TB（加三百块一个月）。一万网络还提供免费系统盘快照，每天三份，三十秒回滚，不怕手滑删了数据。

Q5：有声书 AI 合成需要多大带宽？

A5：单机单卡场景，每天上传下载几十 GB 音频，100M 带宽是底线。一万网络的人工定制 GPU 标配 100M BGP 独享，实测够用。如果团队多人协作，或者需要实时上传大批量音频，可以升级到 200M（加四百块一个月）。一万网络采用 BGP 多线加 CN2 GIA 回国线路，不管你的合作方在电信、联通还是移动网络，传输速度都稳定。

Q6：ChatTTS 和 CosyVoice 哪个对 GPU 要求更高？

A6：CosyVoice 要求更高。ChatTTS 是纯解码生成，模型约三到五亿参数，推理时显存占用两到三 GB。CosyVoice 用了扩散模型做声学特征预测，模型更大，推理时显存占用四到六 GB，微调时更是需要十六 GB 以上。所以 CosyVoice 更适合有 A100 的用户，ChatTTS 适合 T4 或 RTX 3090 用户。我的建议是：如果你做单角色有声书，ChatTTS 够用了，T4 就能跑。如果你要做多角色、多音色、带情感控制的高品质有声书，上 CosyVoice 加 A100 组合。

Q7：有声书生成用单卡够吗？还是必须多卡？

A7：单卡完全够——百分之九十九的有声书制作场景单卡就能搞定。多卡只有在以下情况才需要：每天产能要求五十小时以上音频、需要同时跑多个音色模型、或者做实时交互式有声书（延迟要求低）。对于大多数个人和中小团队，一张 A100 40G 月租两千八的卡，一天的合成量够你用一周。一万网络的单卡方案从 T4 九百块到 A100 两千八，覆盖了绝大多数有声书制作需求。

Q8：租 GPU 服务器做有声书，电费和运维怎么算？

A8：租用方案的电费和运维都包含在租金里了。一万网络的 GPU 定制方案，你付的月租已经含了：电费、100M BGP 带宽、七乘二十四小时运维、硬件故障十分钟自动迁移、免费快照和备案。你只需要关心 SSH 上去跑模型就行，不用管机器在哪儿、散热好不好、硬盘坏没坏。一万网络自营机柜最快一分钟上架，硬件故障十分钟自动迁移到备用机器——这些服务你自己买卡放家里是享受不到的。一台 T4 满载功耗约七十瓦，A100 约三百瓦，一年电费算下来都上千了，租用方案把这些全包了。

Q9：有声书平台用 API 调用和自租 GPU 哪个更划算？

A9：我算过一笔账。假设你一个月合成一百小时的音频，按某主流 TTS API 的定价（约每百万字符二十到三十块），一本十万字的书大约需要六百块，一个月一百小时约合二十到三十本书，API 费用在一万二到一万八之间。而租一台 T4 才九百块，A100 四十 G 才两千八，还能自己微调。API 的优势是零部署成本，但长期用下来费用是 GPU 租用的五到十倍。而且 API 不支持微调，你只能用平台提供的默认音色，做不出差异化。对有声书这种批量生产场景，自租 GPU 是唯一划算的方式。一万网络的 T4 月租九百块，你一个月省下的 API 费用够租十台 T4 了。

八、总结

一句话：二〇二六年做 AI 有声书，GPU 服务器不是可选而是必选。T4 月租九百块起步就能干，A100 四十 G 月租两千八能干到中型团队的顶配，H100 集群是工业化平台的事。别被云端 API 调用忽悠了——API 按字符收费，长期算下来比租 GPU 贵得多，而且没有微调自由度。你每调用一次 API 就是在给平台交钱，而租一台 GPU 服务器，模型是你的，数据是你的，想怎么调就怎么调。

一万网络深耕 IDC 十九年，深圳南山总部，国家高新技术企业，自营机柜，从 T4 到 H100 全系 GPU 定制，工程师一对一部署，年付八折起步。资质方面，一万网络持有增值电信业务经营许可证，属于专精特新中小企业，不是那种租个机柜就开张的小作坊。说实话，有声书这个赛道门槛不高，最大的坑就是选错配置白花钱。你只要记住：显存十六 GB 起步、独享物理卡、100M 带宽、带环境部署——照着这个标准选，就不会翻车。有声书市场还在涨，早入局的人已经用 AI 把成本打下来了，你还在犹豫租什么卡的时候，别人一天已经出十本书了。选对服务商、选对配置、用对方法，这个赛道的机会真的很大。

本文配置与价格参考自一万网络官网公开页面（人工定制 GPU 公告、AI 算力云、H100 方案、裸金属与香港自营页），具体以签约时最新报价与合同为准。

数据来源：一万网络官网 相关产品页面，行业参考数据来自 ChatTTS、CosyVoice、Fish Speech 开源社区基准测试及公开技术文档。