API за клониране на гласове се различават по сходство, съгласие и цена
Сравнение на седем услуги за клониране на гласове използва един и същ 10-секунден WAV запис на говорител. Оценени са изискванията за аудио при моментно и професионално клониране, проверките за съгласие, търговският лиценз, езиковото покритие и цената за 1 милион знака. Hume е използвала 15-секунден запис, тъй като това е посоченият от компанията минимум, а тестът с ElevenLabs е бил под препоръчваните 1–2 минути.
В класацията Voice Replication Leaderboard на Hume от 10 септември 2026 г. s2-pro на Fish Audio е водел сред разглежданите услуги по сходство с оригиналния говорител, с оценка 4,03 от 5. Cartesia sonic-3.5 е получила 3,70, а ElevenLabs Multilingual v2 — 3,68. В отделни категории Cartesia sonic-3.6-beta е била първа по естественост, докато Inworld TTS-2 е получил най-висока оценка за качество на звука.
Посочените цени варират от $7 за 1M знака при Inworld TTS-2 Flash на по-високи планове до $100 за ElevenLabs v3. Inworld поддържа над 200 езика и локали, а Gradium — пет. ElevenLabs, Fish Audio и Resemble AI описват технически проверки за съгласие при професионално клониране. За него обикновено са нужни 10–30 минути аудио, докато моментното клониране използва секунди.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.