Найкращі API для клонування голосу у 2026 році: схожість із диктором, перевірка згоди та ціна за 1 млн символів

Готовому голосу потрібно лише добре звучати. Клонований голос має звучати як конкретна людина. Це складніше випробування, і 7 представлених тут провайдерів клонування голосу підходять до нього дуже по-різному.

Ми записали один 10-секундний еталонний фрагмент і клонували його на кожній платформі. Нижче результати розташовані поруч і без підписів, щоб ви могли оцінити їх до того, як побачите назви. Потім ми порівнюємо 4 критерії, які визначають можливість використання в роботі: потрібний еталонний аудіозапис, перевірка згоди, комерційна ліцензія та мови.

Як працює 10-секундний тест

Еталонний запис — це 10 секунд мовлення одного спікера в тихій кімнаті, збережені у форматі WAV. Кожна платформа відтворює ті самі 2 речення. Одне має розмовний характер, а інше містить багато чисел і власне ім’я. Ми використовуємо миттєвий спосіб клонування кожного постачальника зі стандартними налаштуваннями.

Два постачальники відступають від правила. Hume вказує 15 секунд як мінімальну тривалість, тому його клон створено з використанням того самого спікера, але розширеного до 15 секунд. ElevenLabs рекомендує від 1 до 2 хвилин для Instant Voice Cloning, тому його 10-секундний клон працює нижче за рекомендації постачальника.

Порівняння з першого погляду

Постачальник	Еталонний аудіозапис (миттєвий / професійний)	Перевірка згоди	Комерційна ліцензія від	Мови	Публічна ціна за 1 млн символів
ElevenLabs	рекомендовано від 1 до 2 хв / мінімум 30 хв	Підтвердження прав для IVC; Voice Captcha для PVC	Starter, $6/міс.	70+ (Eleven v3)	$50 (Flash) до $100 (v3)
Cartesia	10 с, до 60 с у Sonic 3.6+ / 30 хв	Згідно з умовами потрібен дозвіл	Pro, $5/міс.	44	Приблизно $37–$50
Inworld	від 3 до 30 с / мінімум 10 хв (бета-версія, лише англійська)	Підтвердження прав	Безкоштовний тариф On-Demand	200+ мов і локалей	$12.50–$25 (TTS-2)
Gradium	10 с / 30 хв, рекомендовано 2 год	Згідно з політикою потрібна згода власника	XS, $13/міс.	5	Приблизно $36–$58
Fish Audio	Приблизно 10 с / від 10 до 180 хв	Жива перевірка права власності для професійних клонів	Plus, $15/міс.	83	$15 за 1 млн байтів UTF-8
Resemble AI	10 с / від 10 до 25+ хв	Згода, яку можна перевірити, для Professional Clone	Тариф Business для API клонування	23	Приблизно $30 (оцінка)
Hume	15 с / не задокументовано	Завантаження від спікера, який дав згоду	Creator, $14/міс.	11	$50–$150 залежно від тарифу

Тарифи за кредитами дорівнюють вартості тарифу, поділеній на кількість включених символів. На сторінці цін Resemble AI не вказана ставка за TTS; трекери повідомляють про $0.0005 за секунду в середині 2026 року, що тут перераховано приблизно як 1 000 символів за хвилину. Ціни перевірено 20 вересня 2026 року.

Схожість зі спікером: що показують відкриті дані

10 вересня 2026 року Hume опублікувала свій рейтинг відтворення голосу. Було протестовано 11 моделей на 25 еталонних голосах із 7 підказками. 3 незалежні оцінювачі оцінювали кожен фрагмент за шкалою від 1 до 5 за схожість з еталоном.

Серед представлених тут постачальників лідирував Fish Audio s2-pro з результатом 4.03. Cartesia sonic-3.5 отримала 3.70, а ElevenLabs Multilingual v2 — 3.68. Cartesia sonic-3.6-beta отримала 3.63, а Inworld TTS-2 — 3.62. ElevenLabs Eleven v3 посіла останнє, 11-те місце з результатом 2.91.

Таблиця також показує, чому одна цифра може вводити в оману. Cartesia sonic-3.6-beta очолила рейтинг природності з результатом 4.36, але посіла 8-ме місце за ідентичністю. Inworld TTS-2 очолила рейтинг якості аудіо з результатом 4.61. Повні дані за кожною категорією доступні в рейтингу Hugging Face.

Огляд постачальників

ElevenLabs

ElevenLabs пропонує Instant Voice Cloning (IVC) і Professional Voice Cloning (PVC). Документація IVC рекомендує від 1 до 2 хвилин чистого аудіо. Для PVC потрібно щонайменше 30 хвилин, а в ідеалі — від 2 до 3 годин, на тарифі Creator або вище. Тут також діє найсуворіший бар’єр: власник голосу зачитує текст на екрані через Voice Captcha. Тарифи API становлять $0.10 за 1 тис. символів для Eleven v3 і Multilingual v2. Flash, Turbo та v3 Conversational коштують $0.05. Eleven v3 підтримує понад 70 мов.

Cartesia

Cartesia клонує голос із 10 секунд аудіо. Sonic 3.6 і новіші версії використовують до 60 секунд, щоб краще зберігати акценти. Pro Voice Clones навчаються на 30+ хвилинах і доступні на тарифі Startup за $49. Sonic списує 1 кредит за символ. Тарифи варіюються від $5 за 100 тис. кредитів до $299 за 8 млн. Sonic зазначає 44 мови.

Inworld

Миттєві клони Inworld працюють із 3 секунд аудіо, а зразки тривалістю до 30 секунд покращують схожість. Саме клонування безкоштовне. Realtime TTS-2 коштує $25 за 1 млн символів за запитом. Ціна знижується до $15 при оплаті $300 на місяць і до $12.50 при оплаті $1 500. TTS-2 Flash починається від $15 і знижується до $7. Професійне клонування перебуває в бета-версії, потребує 10 хвилин аудіо й підтримує лише англійську. Inworld підтримує понад 200 мов і локалей, зокрема 15 мов у своєму найякіснішому тарифі.

Gradium

Gradium, заснований співзасновниками Kyutai, клонує голос із 10 секунд. Безкоштовний тариф містить 5 клонів для некомерційного використання. Платні тарифи починаються від $13 за 225 тис. кредитів, із розрахунку 1 кредит за символ. Для Pro Voice Clone потрібно щонайменше 30 хвилин, а функція доступна від тарифу M за $340. Підтримка мов обмежена: англійська, французька, німецька, іспанська та португальська.

Fish Audio

Fish Audio стягує плату за API з розрахунку $15 за 1 млн байтів UTF-8. Для англійського тексту це приблизно 1 байт на символ. Для китайської, японської та корейської — приблизно 3, що майже втричі збільшує фактичну ціну. S2.1 Pro охоплює 83 мови. Для миттєвих клонів потрібно приблизно 10 секунд. Професійні клони потребують від 10 до 180 хвилин і живої перевірки права власності. Комерційне використання починається з тарифу Plus за $15 і поширюється на підтверджені голоси, якими ви володієте.

Resemble AI

Rapid Clone від Resemble AI потребує 10 секунд і створюється менш ніж за хвилину. Professional Clone потребує від 10 до 25+ хвилин і приблизно 40 хвилин навчання. Потрібна явна згода диктора, яку можна перевірити. Водяний знак PerTh доступний для кожного результату. Chatterbox Multilingual охоплює 23 мови. Особливість у тому, що Resemble тепер робить акцент на виявленні дипфейків. Для Voice Cloning API Resemble потрібен тариф Business або вище. На його сторінці цін більше не вказані тарифи TTS.

Hume

Hume Octave клонує голос лише з 15 секунд, записаних наживо або завантажених від спікера, який дав згоду. Octave 2 охоплює 11 мов. Комерційне використання починається з тарифу Creator за $14 на місяць; Free і Starter є некомерційними. На сторінці цін Hume вказано доступ до API для клонування голосу лише на Enterprise; інші тарифи створюють клони на платформі. Додаткові символи коштують $0.15 за 1 тис. на Creator і до $0.05 на Business.

Який API підходить для якого завдання

• Бюджетні голосові агенти у великому масштабі: Inworld або Fish Audio.
• Низька затримка та широка мовна підтримка: Cartesia.
• Брендові голоси із суворою перевіркою згоди: ElevenLabs PVC.
• Європейські мови з безкоштовним тестовим тарифом: Gradium.
• Клонування разом із водяними знаками та виявленням дипфейків: Resemble AI.
• Керування емоційною подачею: Hume.

Ключові висновки

• ElevenLabs є стандартним вибором у категорії, але його моделі поступаються в новому рейтингу Hume для одного й того самого спікера.
• Лише ElevenLabs, Fish Audio та Resemble AI документують технічні перевірки згоди, і лише для професійних клонів.
• Inworld і Fish Audio вказують ціну $25 або менше за 1 млн символів; ElevenLabs v3 — $100.
• Hume потребує 15 секунд аудіо, тому 10-секундного фрагмента недостатньо.
• Кількість мов варіюється від 5 (Gradium) до понад 200 мов і локалей (Inworld).

Поширені запитання

1. Який API для клонування голосу найкращий у 2026 році? Жоден постачальник не перемагає за всіма критеріями. У рейтингу Hume за вересень 2026 року Fish Audio очолив список представлених тут постачальників за схожістю з голосом того самого спікера. ElevenLabs пропонує найсуворішу перевірку згоди для професійних клонів.
2. Скільки аудіо потрібно для клонування голосу? Для миттєвих клонів на більшості платформ потрібно від 3 до 30 секунд. Для професійних клонів потрібно щонайменше від 10 до 30 хвилин, а часто рекомендують 2 години.
3. Які API для клонування голосу перевіряють згоду? ElevenLabs, Fish Audio та Resemble AI документують технічні перевірки для професійних клонів. Решта покладається на підтвердження та умови використання.
4. Який API для клонування голосу найдешевший за 1 млн символів? Серед опублікованих цін для самостійного використання Inworld TTS-2 Flash коштує $7 на дорожчих тарифах. Fish Audio стягує фіксовану плату $15 за 1 млн байтів UTF-8 для S2.1 Pro.