据MarkTechPost报道，该媒体用同一段10秒、安静房间录制的WAV参考音频，对7家语音克隆API进行横向测试，并比较参考音频要求、同意验证、商业许可、语言支持和每百万字符价格；价格核查时间为2026年9月20日。
测试让每个平台朗读同样两句文本，一句偏对话，一句包含数字和专有名词，且都使用各家即时克隆路径的默认设置。两家平台偏离了10秒测试条件：Hume把15秒记录为最低要求，因此测试将同一声源延长到15秒；ElevenLabs建议即时语音克隆使用1至2分钟音频，因此其10秒克隆低于厂商指引。
同意验证方面，各平台做法不同。ElevenLabs对即时克隆要求权利声明，对专业克隆使用Voice Captcha；Cartesia条款要求许可；Inworld要求权利确认；Gradium政策要求所有者同意；Fish Audio专业克隆需实时所有权检查；Resemble AI专业克隆要求可验证同意；Hume要求上传来自同意说话者的音频。商业许可起点也拉开差距，Inworld有免费On-Demand层，ElevenLabs从每月6美元Starter起，Cartesia商业许可从Pro层起，Fish Audio从每月15美元Plus起，Resemble AI的克隆API需Business方案。
Hume在2026年9月10日发布Voice Replication Leaderboard，测试11个模型、25个参考声音和7个提示，3名盲评者对每条片段按1至5分评价其像参考声音的程度。在本篇涉及的厂商中，Fish Audio s2-pro以4.03分领先，Cartesia sonic-3.5为3.70分，ElevenLabs Multilingual v2为3.68分，Cartesia sonic-3.6-beta为3.63分，Inworld TTS-2为3.62分；ElevenLabs Eleven v3在11个模型中排最后，得分2.91。榜单还显示单项分数会误导：Cartesia sonic-3.6-beta自然度最高，为4.36分，但身份相似度排第8；Inworld TTS-2音频质量最高，为4.61分。完整分类数据在Hugging Face排行榜上。
ElevenLabs的即时克隆建议1至2分钟干净音频，专业克隆至少30分钟、理想2至3小时，需Creator及以上方案；API在Eleven v3和Multilingual v2上每千字符0.10美元，Flash、Turbo和v3 Conversational为0.05美元，v3支持70多种语言。Cartesia可从10秒克隆，Sonic 3.6及以上使用最多60秒以更好保留口音，专业克隆训练需30分钟以上并从49美元Startup方案起；Sonic按每字符1 credit计费，方案从5美元10万credits到299美元800万credits，支持44种语言。Inworld即时克隆3秒起，最长30秒样本可提升相似度，克隆免费；Realtime TTS-2按需每百万字符25美元，月付300美元降至15美元，月付1500美元降至12.50美元，TTS-2 Flash从15美元降至7美元；专业克隆处于测试版，需10分钟音频且仅支持英语，平台覆盖200多种语言和地区，其中15种在最高质量层。
Gradium由Kyutai联合创始人创立，10秒起克隆，免费层含5个非商业克隆，付费计划从13美元22.5万credits起，按每字符1 credit计费；专业克隆至少30分钟并从340美元M方案起，覆盖英语、法语、德语、西班牙语和葡萄牙语。Fish Audio API每百万UTF-8字节15美元，英文约每字符1字节，中文、日文和韩文约3字节，实际价格约为三倍；S2.1 Pro覆盖83种语言，即时克隆约10秒起，专业克隆需10至180分钟并需实时所有权验证，商业使用从15美元Plus方案起。Resemble AI Rapid Clone需10秒，专业克隆需10至25分钟以上，支持23种语言，TTS价格未在定价页列出，追踪数据按每秒0.0005美元估算，约合30美元。Hume最低15秒，专业克隆要求未记录，Creator方案为每月14美元，支持11种语言，价格按方案在50至150美元之间。