Сравнение API для клонирования голоса: точность синтеза и правовые риски

Методика: единый 10-секундный эталон прогоняется через все платформы, сравнение идёт по четырём осям — минимальный объём референса, верификация согласия, коммерческая лицензия, число языков. Параллельно в сентябре 2026-го зафиксированы инциденты с применением синтеза речи в мошенничестве — Garland, Греция. Для аудитории Voice-AI это сигнал: zero-shot инференс вышел в бытовой сегмент, правовые последствия идут следом.

Бенчмарк сходства диктора

Hume опубликовал Voice Replication Leaderboard 10 сентября 2026. Протокол: 11 моделей, 25 референсных голосов, 7 промптов, 3 слепых оценщика, шкала 1–5. Среди семи вендоров разбора лидирует Fish Audio s2-pro — 4.03. Cartesia sonic-3.5 — 3.70. ElevenLabs Multilingual v2 — 3.68. Cartesia sonic-3.6-beta — 3.63. Inworld TTS-2 — 3.62. Замыкает ElevenLabs Eleven v3 — 2.91 из 11.

Та же таблица показывает расхождение метрик. sonic-3.6-beta взял naturalness 4.36 — первое место, но в identity опустился на 8-ю строку. Inworld TTS-2 взял audio quality 4.61, проиграв по сходству с диктором. Один агрегатный скор маскирует компромиссы пайплайна.

Параметры пайплайна и стоимость

ElevenLabs. IVC требует 1–2 минуты чистого аудио. PVC — минимум 30 минут, оптимально 2–3 часа, доступно с тарифа Creator и выше. Гейт согласия строже остальных: владелец голоса читает текст через Voice Captcha. API: $0.10 за 1K символов на Eleven v3 и Multilingual v2. Flash, Turbo, v3 Conversational — $0.05. Eleven v3 заявляет 70+ языков.

Cartesia. Клон строится с 10 секунд. Sonic 3.6 и новее использует до 60 секунд ради удержания акцента. Pro Voice Clones — от 30 минут, со стартового плана $49. Тарификация: 1 кредит на символ. Планы от $5 за 100K до $299 за 8M кредитов. 44 языка.

Inworld. Instant-clone работает от 3 секунд, сэмплы до 30 секунд повышают сходство. Сам клон бесплатный. Realtime TTS-2 — $25 за 1M символов по запросу; $15 при $300/мес; $12.50 при $1,500/мес. TTS-2 Flash — от $15, на объёме снижается до $7. Pro-клонинг в бете: 10 минут аудио, только английский. 200+ языков и локалей, 15 в топ-уровне качества.

Gradium. Основатели — со-учредители Kyutai. Клон с 10 секунд. Бесплатный тир: 5 клонов, только некоммерческое использование. Платные планы от $13 за 225K кредитов, 1 кредит на символ. Pro Voice Clone — от 30 минут аудио, с плана $340/мес. Покрытие узкое: английский, французский, немецкий, испанский, португальский.

Fish Audio. API — $15 за 1M UTF-8 байт.

Контекст: инциденты и применимость

17 сентября NBC 5 Dallas-Fort Worth передал предупреждение полиции Garland о росте числа мошенничеств с AI-клонированием голоса. 19 сентября Greek City Times сообщил о ликвидации группировки с оборотом €1 миллион, работавшей через клонирование голоса в Греции. В тот же день streamlinefeed.co.ke со ссылкой на ERTnews привёл кейс, в котором мошенники вырезали из записи жертвы одно утвердительное слово и склеили его в разговор против её несовершеннолетней дочери. Полноценный клон не понадобился.

Полиция Garland и ERTnews фиксируют одно и то же: бытового вызова достаточно, чтобы извлечь референс за секунды. По разбору: zero-shot инференс с порогом 3–10 секунд уже не различает «исследование» и «инцидент». Для продакшена критичны не топ-1 лидерборда, а верификация согласия и условия коммерческой лицензии. В выборке только ElevenLabs внедрил активный гейт через Voice Captcha; остальные полагаются на декларацию пользователя. Та же логика формальной верификации, подменённой заявлением о прозрачности, срабатывает в любой системе — как в кейсе, где австралийская модель PNEP не смогла сделать частную медицину прозрачной.