Лучшие API для клонирования голоса в 2026 году: сходство с диктором, проверка согласия и цена за 1 млн символов

Готовому голосу достаточно хорошо звучать. Клонированный голос должен звучать как конкретный человек. Это более сложный тест, и 7 представленных здесь провайдеров клонирования голоса справляются с ним очень по-разному.

Мы записали один 10-секундный эталонный фрагмент и клонировали его на каждой платформе. Результаты представлены ниже рядом, без подписей, чтобы вы могли оценить их, прежде чем увидеть названия. Затем мы сравниваем 4 параметра, определяющих возможность использования в проектах: необходимый эталонный аудиофрагмент, проверка согласия, коммерческая лицензия и языки.

Как работает 10-секундный тест

Эталонный фрагмент — это 10 секунд речи одного диктора в тихой комнате, сохранённые в формате WAV. Каждая платформа обрабатывает одни и те же 2 предложения. Одно написано в разговорном стиле, а второе содержит числа и имя собственное. Мы используем путь мгновенного клонирования каждого поставщика с настройками по умолчанию.

Два поставщика отступают от этого правила. Hume указывает 15 секунд как минимальную длительность, поэтому для его клона используется голос того же диктора, расширенный до 15 секунд. ElevenLabs рекомендует для Instant Voice Cloning от 1 до 2 минут, поэтому его 10-секундный клон не соответствует рекомендациям поставщика.

Сравнение в кратком виде

Поставщик	Эталонный аудиофрагмент (мгновенное / профессиональное клонирование)	Проверка согласия	Коммерческая лицензия от	Языки	Цена за 1 млн символов
ElevenLabs	рекомендуется 1–2 мин / минимум 30 мин	Подтверждение прав для IVC; Voice Captcha для PVC	Starter, $6/мес.	70+ (Eleven v3)	$50 (Flash) — $100 (v3)
Cartesia	10 с, до 60 с в Sonic 3.6+ / 30 мин	Разрешение требуется условиями использования	Pro, $5/мес.	44	Около $37–$50
Inworld	3–30 с / минимум 10 мин (бета-версия, только английский)	Подтверждение прав	Бесплатный тариф On-Demand	200+ языков и локалей	$12,50–$25 (TTS-2)
Gradium	10 с / 30 мин, рекомендуется 2 ч	Согласие владельца требуется политикой	XS, $13/мес.	5	Около $36–$58
Fish Audio	Около 10 с / 10–180 мин	Проверка владения в реальном времени для профессиональных клонов	Plus, $15/мес.	83	$15 за 1 млн байт UTF-8
Resemble AI	10 с / 10–25+ мин	Проверяемое согласие для Professional Clone	Тариф Business для API клонирования	23	Около $30 (оценка)
Hume	15 с / не указано	Загрузка от согласного диктора	Creator, $14/мес.	11	$50–$150 в зависимости от тарифа

Стоимость в рамках тарифов рассчитывается как цена тарифа, делённая на количество включённых символов. На странице цен Resemble AI тариф за TTS не указан; по данным трекеров, в середине 2026 года он составлял $0,0005 за секунду, что здесь пересчитано примерно в 1 000 символов в минуту. Цены проверены 20 сентября 2026 года.

Сходство с диктором: что показывают открытые данные

10 сентября 2026 года Hume опубликовала свой рейтинг репликации голоса. В нём протестированы 11 моделей на 25 эталонных голосах с использованием 7 запросов. 3 независимых оценщика вслепую оценивали каждый фрагмент по шкале от 1 до 5 по тому, насколько он похож на эталонный голос.

Среди представленных здесь поставщиков лидировал Fish Audio s2-pro с результатом 4,03. Cartesia sonic-3.5 получила 3,70, а ElevenLabs Multilingual v2 — 3,68. Cartesia sonic-3.6-beta получила 3,63, а Inworld TTS-2 — 3,62. ElevenLabs Eleven v3 заняла последнее, 11-е место из 11 с результатом 2,91.

Рейтинг также показывает, почему одно число может вводить в заблуждение. Cartesia sonic-3.6-beta заняла первое место по естественности с результатом 4,36, но по идентичности оказалась на 8-м месте. Inworld TTS-2 заняла первое место по качеству аудио с результатом 4,61. Полные данные по каждой категории доступны в рейтинге Hugging Face.

Обзор поставщиков

ElevenLabs

ElevenLabs предлагает Instant Voice Cloning (IVC) и Professional Voice Cloning (PVC). Документация IVC рекомендует 1–2 минуты чистого аудио. Для PVC требуется не менее 30 минут, в идеале 2–3 часа, на тарифе Creator или выше. Здесь также действует самый строгий контроль: владелец голоса вслух зачитывает текст с экрана с помощью Voice Captcha. Тарифы API составляют $0,10 за 1 000 символов для Eleven v3 и Multilingual v2. Flash, Turbo и v3 Conversational стоят $0,05. Eleven v3 поддерживает более 70 языков.

Cartesia

Cartesia клонирует голос из 10 секунд аудио. Sonic 3.6 и более новые версии используют до 60 секунд, чтобы лучше сохранять акцент. Для обучения Pro Voice Clones требуется более 30 минут; функция доступна начиная с тарифа Startup за $49. Sonic списывает 1 кредит за символ. Тарифы стоят от $5 за 100 тыс. кредитов до $299 за 8 млн. В Sonic заявлена поддержка 44 языков.

Inworld

Мгновенное клонирование Inworld работает уже с 3 секунд, а образцы длительностью до 30 секунд улучшают сходство. Само клонирование бесплатно. Realtime TTS-2 стоит $25 за 1 млн символов по запросу. Цена снижается до $15 при оплате $300 в месяц и до $12,50 при оплате $1 500. TTS-2 Flash стоит от $15 и снижается до $7. Профессиональное клонирование находится в бета-версии, требует 10 минут аудио и поддерживает только английский язык. Inworld поддерживает более 200 языков и локалей, из которых 15 доступны в максимальном качестве.

Gradium

Gradium, основанная соучредителями Kyutai, клонирует голос из 10 секунд. Бесплатный тариф включает 5 клонов для некоммерческого использования. Платные тарифы начинаются с $13 за 225 тыс. кредитов; списывается 1 кредит за символ. Для Pro Voice Clone требуется минимум 30 минут; функция доступна начиная с тарифа M за $340. Поддержка языков ограничена: английский, французский, немецкий, испанский и португальский.

Fish Audio

Fish Audio тарифицирует API по $15 за 1 млн байт UTF-8. В английском тексте на один символ приходится примерно 1 байт. В китайском, японском и корейском — около 3 байт, что примерно втрое увеличивает фактическую цену. S2.1 Pro поддерживает 83 языка. Мгновенное клонирование работает примерно с 10 секундами аудио. Для профессиональных клонов требуется от 10 до 180 минут и проверка владения в реальном времени. Коммерческое использование начинается с тарифа Plus за $15 и распространяется на подтверждённые голоса, которыми вы владеете.

Resemble AI

Rapid Clone от Resemble AI требует 10 секунд и завершается менее чем за минуту. Для Professional Clone нужно 10–25+ минут и около 40 минут обучения. Требуется явное и проверяемое согласие владельца голоса. Водяной знак PerTh доступен для каждого результата. Chatterbox Multilingual поддерживает 23 языка. Особенность в том, что теперь Resemble делает основной акцент на обнаружении дипфейков. Для Voice Cloning API требуется тариф Business или выше. На его странице цен больше не указаны тарифы TTS.

Hume

Hume Octave клонирует голос всего из 15 секунд, записанных в реальном времени или загруженных от согласного диктора. Octave 2 поддерживает 11 языков. Коммерческое использование начинается с тарифа Creator за $14 в месяц; тарифы Free и Starter предназначены для некоммерческого использования. На странице цен Hume доступ к клонированию голоса через API указан только для тарифа Enterprise; на остальных тарифах клоны создаются на платформе. Дополнительные символы стоят $0,15 за 1 000 на тарифе Creator и до $0,05 на Business.

Какой API подходит для какой задачи

• Бюджетные голосовые агенты в большом масштабе: Inworld или Fish Audio.
• Низкая задержка и широкая языковая поддержка: Cartesia.
• Голос бренда со строгим контролем согласия: ElevenLabs PVC.
• Европейские языки и бесплатный тестовый тариф: Gradium.
• Клонирование с водяными знаками и обнаружением дипфейков: Resemble AI.
• Управляемая эмоциональная подача: Hume.

Главные выводы

• ElevenLabs — стандартный выбор в этой категории, но его модели уступают другим в новом рейтинге Hume для одного и того же диктора.
• Только ElevenLabs, Fish Audio и Resemble AI документируют технические проверки согласия, причём только для профессиональных клонов.
• Inworld и Fish Audio указывают цену не более $25 за 1 млн символов; ElevenLabs v3 — $100.
• Hume требует 15 секунд аудио, поэтому 10-секундного фрагмента недостаточно.
• Количество языков варьируется от 5 (Gradium) до более чем 200 языков и локалей (Inworld).

FAQ

1. Какой API клонирования голоса лучший в 2026 году? Ни один поставщик не выигрывает по всем параметрам. В рейтинге Hume за сентябрь 2026 года среди представленных здесь поставщиков Fish Audio показал лучший результат по сходству с голосом одного и того же диктора. ElevenLabs предлагает самый строгий контроль согласия для профессиональных клонов.
2. Сколько аудио требуется для клонирования голоса? Для мгновенного клонирования на большинстве платформ требуется от 3 до 30 секунд. Для профессиональных клонов необходимо минимум от 10 до 30 минут, а часто рекомендуется 2 часа.
3. Какие API клонирования голоса проверяют согласие? ElevenLabs, Fish Audio и Resemble AI документируют технические проверки для профессиональных клонов. Остальные полагаются на подтверждение и условия использования.
4. Какой API клонирования голоса самый дешёвый в расчёте на 1 млн символов? Среди опубликованных цен для самостоятельного использования TTS-2 Flash от Inworld стоит $7 на более дорогих тарифах. Fish Audio взимает фиксированную плату $15 за 1 млн байт UTF-8 для S2.1 Pro.