一句话结论
多家主流语音克隆API性能与定价分化显著，ElevenLabs价格最低但相似度垫底，Fish Audio相似度最高但多语言成本更高，合规机制成核心分水岭。
关键要点
- 测试基准显示，ElevenLabs Flash版价格最低（$50/百万字符），但其v3模型在11个参评模型中相似度垫底（2.91）。
- Fish Audio s2-pro模型相似度最高（4.03），每百万UTF-8字节价格$15，支持83种语言，但中文每字符成本约为英文3倍。
- ElevenLabs PVC专业克隆需提交“Voice Captcha”及至少30分钟参考音频；Inworld专业克隆处于Beta版，仅支持英语。
- Hume平台最低需15秒参考音频，价格区间$50-150/百万字符，且API访问仅限Enterprise套餐。
- Resemble AI将深伪检测作为领先方向，其专业克隆需明确且可验证的声源同意，API访问需Business及以上套餐。
背景与事实
本评测基于2026年9月发布的排行榜数据与官方定价信息，核心对比维度为说话人相似度、合规机制与每百万字符价格。测试统一使用10秒WAV参考音频作为基准，但各平台最低样本时长差异显著：Hume最低需15秒，ElevenLabs建议1至2分钟，其PVC专业克隆最少需30分钟，而Inworld即时克隆最短仅需3秒。定价方面，ElevenLabs Flash每百万字符$50，v3约$100/百万；Cartesia约$37-50/百万；Inworld TTS-2为$12.50-$25/百万；Fish Audio按UTF-8字节计费，每百万$15；Resemble AI估算约$30/百万；Hume为$50-150/百万；Gradium约$36-58/百万。
性能数据显示，在相似度评分中，Fish Audio s2-pro以4.03位居榜首，Cartesia sonic-3.5为3.70，ElevenLabs Multilingual v2为3.68，ElevenLabs v3则以2.91在11个模型中垫底。语言支持方面，ElevenLabs v3支持70余种语言，Cartesia支持44种，Inworld支持200余种及区域设置，Fish Audio支持83种，Hume支持11种，Gradium支持5种。值得注意的是，Fish Audio按UTF-8字节计费，中文、日文、韩文每字符约3字节，成本约为英文3倍；Hume于2026年9月10日发布该排行榜，价格核查时间为2026年9月20日。
合规与许可机制呈现显著分化。ElevenLabs PVC需“Voice Captcha”验证；Cartesia需许可证明；Gradium和Fish Audio需所有者同意；Resemble AI需可验证同意。技术细节上，Resemble AI Rapid Clone需10秒样本、1分钟内完成，Professional Clone需10至25分钟以上、训练约40分钟，所有输出可用PerTh水印；Chatterbox Multilingual支持23种语言。Hume Octave最少需15秒样本，Octave 2支持11种语言，商用需Creator及以上套餐（$14/月），Free与Starter仅限非商用，API语音克隆访问仅限Enterprise套餐，Creator每1千字符$0.15，Business降至$0.05。Inworld专业克隆处于Beta版仅支持英语。
影响分析
对中文开发者而言，Fish Audio的多语言成本结构是关键考量：虽然其相似度登顶，但按UTF-8字节计费导致中文内容成本约为英文3倍，在中文场景下价格优势大幅缩水，实际选型需按目标语言重新核算。ElevenLabs虽价格最低，但v3相似度垫底，若用于对音色还原度要求较高的产品（如虚拟人、有声内容），其低相似度可能导致体验不达预期，需权衡价格与质量。Inworld专业克隆仅支持英语且处于Beta版，不适用于中文市场。Resemble AI将深伪检测作为领先方向，其合规机制更严格，适合对内容安全有较高要求的场景，但API访问需Business及以上套餐，入门门槛相对较高。Hume API仅限Enterprise套餐，中小团队难以低成本接入。
适用边界
本结论基于2026年9月20日价格核查与9月10日排行榜数据，各平台定价与模型迭代频繁，结论不适用于后续价格调整或新模型发布后的场景。Fish Audio成本优势仅在英文内容下成立；ElevenLabs v3不适合对相似度要求较高的场景；Inworld专业克隆不适用于非英语市场；Hume API不适用于非Enterprise套餐用户；Resemble AI深伪检测方向在内容安全监管要求较低的场景中可能并非必要投入。
孤本观察
本次评测揭示，合规机制已取代单纯的价格与相似度成为语音克隆API的核心分水岭，各平台在声源同意验证、水印、许可证明上的差异，直接影响产品能否通过内容安全审查。判断是，对中文开发者而言，选型时“按目标语言重新核算实际成本”与“合规机制是否匹配产品场景”比单纯比较每百万字符标价更具决策价值。
常见问题
Fish Audio 的 s2-pro 模型相似度评分是多少，每百万 UTF-8 字节的价格是多少？
Fish Audio s2-pro 模型相似度评分为 4.03，位居榜首；每百万 UTF-8 字节价格为 $15。
ElevenLabs Flash 版每百万字符的价格是多少，v3 模型在 11 个参评模型中的相似度表现如何？
ElevenLabs Flash 版每百万字符价格为 $50；v3 模型相似度为 2.91，在 11 个参评模型中垫底。
使用 Resemble AI 专业克隆功能，参考音频时长要求和训练时间大约是多少？
Resemble AI Professional Clone 需 10 至 25 分钟以上的参考音频，训练耗时约 40 分钟。
Inworld 的专业克隆功能目前处于什么阶段，支持哪些语言？
Inworld 专业克隆处于 Beta 版，目前仅支持英语。
Fish Audio 按 UTF-8 字节计费，中文内容的成本与英文相比大约是多少倍？
由于中文每字符约 3 字节，Fish Audio 的中文内容成本约为英文的 3 倍。
来源：MarkTechPost