Как клонировать голос нейросетью: проверил 6 сервисов на одной записи

Записали ролик, смонтировали — и заметили, что в середине оговорились. Раньше пришлось бы снова садиться за микрофон или искать диктора. Теперь можно один раз клонировать голос, а дальше просто вводить текст: нейросеть прочитает его вашим тембром.

На протяжении 4 лет я работаю с озвучкой текстов для генерации видеороликов, которые использую в продвижении своих проектов — удалось пощупать своими руками все лучшие решения, которые сейчас существуют на рынке. Специально для этого обзора я проверил шесть сервисов клонирования голоса на одной и той же записи и одном тексте. Расскажу, кто справился лучше, где спотыкаются нейросети, сколько стоит озвучка и о чем помнить, чтобы не нарушить чужие права.

Сразу оговорюсь: ZAE AI — мой проект. Я оценивал его по тем же критериям, что и остальные сервисы, а записи всех результатов выложил — их можно послушать и сравнить самостоятельно.

Если нет времени читать весь разбор, вот выводы теста одним списком.

Голос максимально похож на оригинал и звучит живо — Fish Audio. Лучший результат теста, причем на бесплатном тарифе.

Нужна озвучка на нескольких языках и чистое произношение цифр — ElevenLabs.

Русскоязычная озвучка с оплатой в рублях — ZAE AI.

Клонирование через API для своего продукта — MiniMax Audio.

Не хочется загружать голос в облако — OmniVoice: это открытый проект, его можно запустить на своем компьютере.

Нужен дубляж видео — Speechify Studio. Но именно клонирование голоса там показало самый слабый результат.

Чтобы сравнение было честным, все сервисы получили одинаковые исходные данные.

Образец голоса. Мой контент-менеджер Катя. С ее согласия записала фрагмент длиной 17 секунд на телефон. Текст образца:

«Привет, меня зовут Катя. Сегодня 16 октября 2026 года. На улице плюс 10 градусов. Как думаешь, получится ли у нейросети озвучить нормально мой текст?».

Сервисы просят разную длину образца. OmniVoice принимает запись от 3 до 25 секунд, ElevenLabs — от 10 секунд, но для лучшего качества советует 3 минуты. 17 секунд — короткий образец, близкий к минимуму. Обычно именно так сервис и пробуют в первый раз, а заодно видно, кто вытягивает качество из малого.

Проверочный текст. Каждый сервис озвучил клонированным голосом новый текст, которого не было в образце:

«Доброе утро! Сегодня мы отправляемся в небольшое путешествие. Поезд отправляется в 8 часов 45 минут, а билет стоит 1 350 рублей. Компания ООО „В путь“. По пути мы увидим удивительную архитектуру города. Кстати, ты когда-нибудь пробовал кофе с апельсиновым соком?»

В нем собраны места, где нейросети ошибаются чаще всего: время, цена, аббревиатура, длинное слово и вопросительная интонация.

Критерии. Каждый результат я оценил по пяти параметрам от 1 до 5 баллов:

1. Сходство — насколько голос похож на Катин.

2. Естественность — звучит ли речь живо или как у робота.

3. Произношение — правильно ли прочитаны «ООО „В путь“» и «архитектура».

4. Числа — верно ли озвучены время отправления и цена билета.

5. Интонация — звучат ли повествовательные фразы естественно, а вопрос в конце — как вопрос.

Максимум — 25 баллов. Оценки субъективные: это мой слух, а не лабораторный замер.

1. Fish Audio — 23 балла из 25.

2. ElevenLabs — 23 балла.

3. ZAE AI — 22 балла.

4. MiniMax Audio — 19 баллов.

5. OmniVoice — 18 баллов.

6. Speechify Studio — 16 баллов.

Fish Audio и ElevenLabs набрали поровну, но у Fish Audio выше сходство и естественность — для клонирования это главное. Ниже подробности по каждому сервису.

Что это. Сервис делает упор на выразительность: в нем можно управлять эмоциями, паузами и подачей текста. Это полезно для аудиокниг, повествовательных роликов и озвучки персонажей.

Результат — 23 из 25. Сходство — 5, естественность — 5, интонация — 5, произношение — 4, числа — 4. Голос получился самым похожим на Катин, речь звучит живо, вопрос в конце — именно вопрос. Слабее с числами.

Сколько стоит. Клонирование сработало на бесплатном тарифе.

На что обратить внимание. Короткий тест не показывает, сохраняется ли тембр на длинном тексте. Если готовите аудиокнигу или длинный подкаст, сначала прогоните несколько абзацев.

Кому подойдет: авторам роликов, аудиокниг и озвучки игровых персонажей — всем, кому важны эмоции.

Сайт: https://fish.audio/

Что это. Один из самых известных сервисов синтеза речи. Умеет клонировать голос и озвучивать текст на десятках языков — удобно, если делаете контент для зарубежной аудитории.

Результат — 23 из 25. Произношение — 5, числа — 5, интонация — 5, сходство — 4, естественность — 4. Единственный сервис, который получил максимум за произношение: без ошибок прочитал и «ООО», и «архитектуру», и цифры. Но голос чуть меньше похож на Катин, чем у Fish Audio, и звучит более «дикторски».

Сколько стоит. Клонирование голоса доступно начиная с платного тарифа Starter, который стоит $6 в месяц.

На что обратить внимание. Сервис зарубежный, цены в долларах. Качество зависит от языка.

Кому подойдет: блогерам, авторам подкастов и обучающих видео, а также тем, кому нужна озвучка на нескольких языках.

Сайт: https://elevenlabs.io/voice-cloning

Что это. Российский веб-сервис для клонирования голоса и озвучки на русском. Работает в браузере, есть каталог готовых голосов и вставка эмоций — например, смеха. Напомню: это мой проект.

Результат — 22 из 25. Естественность — 5, числа — 5, сходство — 4, произношение — 4, интонация — 4. Лучше всех справляется с интонацией.

Сколько стоит. Оплата в рублях, цена зависит от длины текста: озвучка 262 символов обошлась в 10,48 ₽ — около 4 ₽ за 100 символов. При регистрации дается бонус 40 ₽. Клонирование голоса стоит 200 руб за каждый загружаемый голос, но можно бесплатно перед оплатой послушать пример его звучания.

На что обратить внимание. На произношение аббревиатур — здесь сервис уступил лидерам.

Кому подойдет: авторам русскоязычных роликов и тем, кому неудобно платить зарубежным сервисам.

Сайт: https://zae-ai.ru/

Что это. Сервис синтеза речи и клонирования голоса с API. При создании клона можно включить удаление фонового шума и оптимизацию акцента.

Результат — 19 из 25. Сходство — 4, естественность — 4, произношение — 4, интонация — 4, числа — 3. Ровный результат без провалов, кроме чисел: из-за пробела 1 350 звучало как "один триста пятьдесят".

Сколько стоит. Минимальный тариф Starter: $5 в месяц (или $48 при оплате за год) — включает 10 слотов для клонирования голосов и 100 000 аудио-очков (примерно 2.2 часа аудио).

На что обратить внимание. На качество исходной записи: по описанию сервиса, результат сильнее всего зависит от нее.

Кому подойдет: разработчикам, которым нужно встроить синтез речи в свое приложение, и авторам контента, которым важны настройки выразительности.

Сайт: https://www.minimax.io/audio

Что это. Открытый проект для клонирования голоса, синтеза речи и дубляжа видео. Его можно запустить на своем компьютере, а можно пользоваться веб-версией — ее я и тестировал.

Результат — 18 из 25. Сходство — 5, числа — 5, произношение — 3, интонация — 3, естественность — 2. Самый показательный результат теста. Тембр узнается сразу — сходство на уровне лидера. Но речь звучит с паузами не на месте. Это хорошо показывает, почему клон нельзя оценивать только по сходству: голос может быть узнаваемым и при этом неприятным для слушателя.

Сколько стоит. Функция клонирования голоса (Voice Cloning) в OmniVoice Studio доступна на всех тарифных планах, включая бесплатный. Бесплатный тариф дает возможность озвучить до 200 символов. Минимальный платный тариф стоит $9.90 (на 80 тыс символов)

На что обратить внимание. Проект в бета-версии, а для локального запуска нужен достаточно мощный компьютер.

Кому подойдет: технически подготовленным пользователям, которые хотят держать голос у себя и готовы экспериментировать.

Сайт: https://omnivoice.app/

Что это. Студия для озвучки и работы с видео: можно сделать дикторскую дорожку или дубляж ролика на другой язык.

Результат — 16 из 25. Произношение — 4, сходство — 3, естественность — 3, числа — 3, интонация — 3. Последнее место: голос похож на Катин лишь отчасти, речь звучит не очень естественно, с числами были ошибки.

Сколько стоит. Доступ к клонированию голоса открывается на платных API-тарифах, которые начинаются с плана Starter за $10 в месяц (включает базовый объем символов). На бесплатном тарифе клонирование голоса недоступно.

На что обратить внимание. Проверьте до оплаты, доступно ли клонирование голоса на выбранном тарифе Studio.

Кому подойдет: тем, кому важны озвучка и дубляж видео, а точная копия голоса вторична.

Сайт: https://speechify.com/studio/

Вот что по итогам теста улучшает результат в любом сервисе.

1. Записывайте образец в тихой комнате без эха. Шум и гул нейросеть тоже «склонирует». Если в сервисе есть удаление фонового шума, как в ElevenLabs и MiniMax, включите его.

2. Не экономьте на длине записи. 10–20 секунд хватит для пробы, но для работы лучше больше: ElevenLabs для лучшего качества просит 3 минуты. Чем больше чистой речи, тем стабильнее тембр.

3. Говорите в образце так, как хотите звучать в итоге. Если записали образец монотонно, бодрой озвучки не ждите.

4. Пишите числа и сокращения словами. Половина сервисов в тесте ошиблась на числах. «В восемь сорок пять» и «тысяча триста пятьдесят рублей» нейросеть прочитает надежнее, чем цифры.

5. Озвучивайте длинный текст частями. По абзацу за раз — так проще заметить и переделать неудачный фрагмент.

6. Проверяйте сервис на своем материале. Перед оплатой подписки прогоните текст, похожий на ваш: с вашими терминами, именами и цифрами.

• Для узнаваемого клона хватило 17 секунд записи. Для серьезной работы лучше записать больше.

• Лучшие результаты в тесте — у Fish Audio и ElevenLabs, по 23 балла из 25. ZAE AI набрал 22 балла.

• Сходство — еще не качество: OmniVoice скопировал тембр почти идеально, но речь звучала неестественно.

• Самое слабое место нейросетей — числа и аббревиатуры. Пишите их словами.

• Перед оплатой проверьте, есть ли клонирование на вашем тарифе и можно ли использовать озвучку в коммерческих целях.

• Клонируйте только свой голос или голос человека, который дал согласие.

А вы пробовали клонировать свой голос? Расскажите в комментариях, какой сервис понравился вам.