2026年主流语音克隆API横向评测：相似度、授权验证与价格

实测方法：统一基准下的公平比较

为客观评估语音克隆能力，评测团队录制一段10秒、单人、安静环境下的WAV格式参考音频，并要求所有平台用该音频生成同一段测试文本——包含一句日常对话与一句含数字和专有名词的句子。各平台均采用其官方推荐的‘即时克隆’路径及默认参数。需说明的是，Hume明确要求最低15秒参考音频，因此其样本扩展至15秒；ElevenLabs虽推荐1–2分钟用于Instant Voice Cloning（IVC），但本次仍按10秒执行，属低于厂商建议条件的测试。

四维核心指标对比

评测聚焦影响实际部署的四大关键维度：

• 参考音频要求：即时克隆所需最短时长（及专业克隆推荐时长）；
• 知情同意验证：是否强制实施可验证的授权流程（如语音验证码、权利声明、实时所有权核验）；
• 商用许可：基础订阅计划是否包含可商用的语音克隆权限；
• 语言覆盖：支持的语种与本地化数量。

综合来看，Inworld与Fish Audio在入门门槛上最具弹性（分别支持低至3秒与约10秒输入），而Gradium与Hume对授权审核最为严格（明确要求所有者本人确认）；Cartesia与ElevenLabs则在多语言支持上领先（分别达44种与70+种），Inworld以200+语言及本地化覆盖居首。

语音相似度：Hume权威榜单数据

2026年9月10日，Hume发布《Voice Replication Leaderboard》，基于25个真实说话人样本、7类提示语，由3名盲评专家对11个模型输出进行1–5分打分（5分为完全一致）。在参评的7家厂商中，Fish Audio的s2-pro模型以4.03分位居榜首；Cartesia Sonic-3.5（3.70）、ElevenLabs Multilingual v2（3.68）、Cartesia Sonic-3.6-beta（3.63）及Inworld TTS-2（3.62）紧随其后；ElevenLabs Eleven v3仅获2.91分，在全部11个模型中垫底。值得注意的是，单一相似度分数易产生误导：Sonic-3.6-beta自然度评分高达4.36（榜首），但身份保真度仅排第8；Inworld TTS-2音频质量评分4.61（第一），却未在身份相似性上进入前三。

各平台关键能力与定价细节

• ElevenLabs：IVC推荐1–2分钟音频，PVC需≥30分钟（理想2–3小时）；商用需Creator及以上计划；PVC强制启用‘Voice Captcha’真人朗读验证；API调用价为$0.10/1K字符（v3/Multilingual v2），Flash/Turbo/v3 Conversational为$0.05/1K；支持70+语言。
• Cartesia：即时克隆支持10秒起（Sonic 3.6+可扩展至60秒以更好保留口音）；专业克隆需30+分钟，起于$49 Startup计划；按字符计费（1信用=1字符），$5档含100K信用；支持44语言。
• Inworld：即时克隆最低仅需3秒，30秒内样本可提升相似度；克隆功能免费；TTS-2按需计费$25/100万字符，月消费达$300或$1500时可降至$15或$12.50；专业克隆处于英语专属Beta阶段，需10分钟音频；支持200+语言及本地化。
• Gradium：即时克隆需10秒，专业克隆推荐2小时；政策明文要求所有者书面/语音确认；XS计划（$13/月）即含商用权限；支持5种语言。
• Fish Audio：约10秒即可启动克隆；专业克隆集成实时所有权核验；Plus计划（$15/月）含商用许可；定价为$15/100万UTF-8字节；支持83种语言。
• Resemble AI：即时克隆需10秒，专业克隆推荐10–25+分钟；Professional Clone强制要求可验证的知情同意；商业API需Business计划；支持23种语言；估算价格约$30/100万字符。