Sete plataformas de clonagem de voz foram submetidas ao mesmo teste em setembro de 2026: um arquivo de áudio de referência com 10 segundos gravado em ambiente silencioso foi clonado em cada uma delas, mantendo as mesmas sentenças, configurações padrão e metadados. O objetivo foi comparar não apenas a qualidade da reprodução vocal, mas também os critérios práticos que definem as decisões de implementação em produção: quantidade de áudio de referência necessária, verificação de consentimento, licença comercial e cobertura de idiomas.
Os sete concorrentes e suas características técnicas
O teste abrangeu ElevenLabs, Cartesia, Inworld, Gradium, Fish Audio, Resemble AI e Hume. Cada plataforma opera em um modelo diferente de clonagem, com variações significativas nos requisitos de entrada e saída.
ElevenLabs oferece dois caminhos: Instant Voice Cloning (IVC), que a documentação recomenda com 1 a 2 minutos de áudio limpo, e Professional Voice Cloning (PVC), que exige no mínimo 30 minutos, idealmente 2 a 3 horas, através de um Voice Captcha que força o proprietário da voz a ler texto na tela. Para este teste, o clone IVC de 10 segundos ficou abaixo da recomendação do fabricante. Cartesia, por sua vez, clona a partir de 10 segundos, mas suas versões Sonic 3.6 e posteriores usam até 60 segundos para manter melhor os acentos. Inworld permite clones instantâneos de apenas 3 segundos, com melhorias até 30 segundos, e o próprio cloning é gratuito. Gradium, fundado por cofundadores da Kyutai, também clona a partir de 10 segundos e oferece um nível gratuito com 5 clones para uso não comercial.
Fish Audio trabalha com aproximadamente 10 segundos para clones instantâneos, enquanto clones profissionais exigem entre 10 e 180 minutos e requerem verificação de propriedade ao vivo. Resemble AI demanda 10 segundos para Rapid Clone (que termina em menos de um minuto) e 10 a 25+ minutos para Professional Clone, com verificação explícita e verificável de consentimento. Hume, por fim, clona a partir de apenas 15 segundos gravados ao vivo ou enviados de um falante consentidor.
Qualidade de clonagem segundo o Leaderboard de Replicação de Voz da Hume
A Hume publicou seu Voice Replication Leaderboard em 10 de setembro de 2026, testando 11 modelos em 25 vozes de referência com 7 prompts. Três avaliadores cegos pontuaram cada clipe de 1 a 5 em semelhança com a referência original.
Entre os fornecedores testados nesta comparação, os resultados foram:
- Fish Audio s2-pro: 4,03 (melhor desempenho em similaridade ao falante)
- Cartesia sonic-3.5: 3,70
- ElevenLabs Multilingual v2: 3,68
- Cartesia sonic-3.6-beta: 3,63
- Inworld TTS-2: 3,62
- ElevenLabs Eleven v3: 2,91 (últimatécnica colocação entre os sete)
Um detalhe crítico emerge dos dados: uma métrica única não revela o quadro completo. O Cartesia sonic-3.6-beta liderou em naturalidade com 4,36 pontos, mas ficou em 8º lugar em identidade. O Inworld TTS-2 alcançou o melhor desempenho em qualidade de áudio (4,61), demonstrando que nem sempre o vencedor absoluto é o melhor para todos os casos de uso.
Modelo de preços e acesso comercial
Os custos variam drasticamente conforme o volume e o modelo de assinatura. Para comparação padronizada, os preços foram convertidos em taxa por 1 milhão de caracteres, com verificação em 20 de setembro de 2026.
ElevenLabs cobra $0,10 por 1.000 caracteres em Eleven v3 e Multilingual v2, enquanto Flash, Turbo e v3 Conversational custam $0,05. Inworld oferece TTS-2 Realtime a $25 por 1 milhão de caracteres sob demanda, caindo para $15 em planos de $300/mês e $12,50 em $1.500/mês; TTS-2 Flash começa em $15 e cai para $7. Cartesia cobra 1 crédito por caractere, com planos de $5 (100K créditos) a $299 (8 milhões).
Fish Audio cobra uma taxa fixa de $15 por 1 milhão de bytes UTF-8. Para texto em inglês, isso equivale aproximadamente a 1 byte por caractere, mas para chinês, japonês e coreano, a proporção sobe para cerca de 3 bytes, triplicando o custo efetivo. Gradium cobra a partir de $13 por 225K créditos (1 crédito/caractere), com clones profissionais começando no plano $340/mês. Resemble AI não lista mais as tarifas de TTS em sua página de preços, embora rastreadores reportem $0,0005 por segundo em meados de 2026, convertido aqui para aproximadamente 1.000 caracteres por minuto, exigindo no mínimo um plano Business. Hume cobra $0,15 por 1.000 caracteres no plano Creator, descendendo para $0,05 no plano Business.
Verificação de consentimento e segurança
Apenas três plataformas documentam verificações técnicas de consentimento para clones profissionais: ElevenLabs (através do Voice Captcha), Fish Audio (verificação de propriedade ao vivo) e Resemble AI (consentimento explícito e verificável). As demais dependem de atestado e termos de serviço.
Resemble AI diferencia-se por adicionar watermarking PerTh em cada saída e ser a líder em detecção de deepfake no setor. No entanto, sua clonagem de voz agora requer um plano Business ou superior, tornando-a menos acessível para experimentação inicial.
Cobertura de idiomas
A amplitude varia significativamente. Gradium oferece apenas 5 idiomas (inglês, francês, alemão, espanhol e português), enquanto ElevenLabs suporta mais de 70 e Inworld cobre 200+ idiomas e locales, com 15 em seu nível de melhor qualidade. Cartesia lista 44 idiomas, Fish Audio oferece 83 com S2.1 Pro, Hume Octave cobre 11 e Resemble AI Chatterbox Multilingual oferece 23 idiomas.
Recomendações por caso de uso
Não há vencedor único em todos os eixos. As escolhas dependem das prioridades:
- Agentes de voz em escala com orçamento limitado: Inworld ou Fish Audio
- Latência baixa com cobertura ampla de idiomas: Cartesia
- Vozes de marca com verificação rigorosa de consentimento: ElevenLabs Professional Voice Cloning
- Idiomas europeus com nível gratuito de teste: Gradium
- Clonagem com watermarking e detecção de deepfake: Resemble AI
- Entrega direcionada por emoção: Hume
Análise Panorama IA
A clonagem de voz deixou de ser um recurso experimental e tornou-se uma ferramenta de produção com trade-offs maduros e bem documentados. Três insights emergem da comparação:
Primeiro, ElevenLabs permanece como padrão de categoria, mas seus modelos ficam atrás no novo leaderboard de similaridade ao falante original publicado pela Hume. Isso importa porque escolher uma API com base apenas em reconhecimento de marca pode resultar em clones perceptivelmente inferiores à concorrência em testes cegos. Fish Audio liderou em similaridade, mas sua precificação efetiva para idiomas com caracteres multi-byte (chinês, japonês, coreano) a torna cara para aplicações multilíngues reais.
Segundo, apenas três plataformas implementam verificação técnica de consentimento para clones profissionais. Isso é crítico para conformidade legal e ética, especialmente em jurisdições com regulamentação de deepfake em crescimento. Empresas que tratam com propriedade intelectual de voz profissional devem exigir essas verificações explícitas, não apenas termos de serviço.
Terceiro, a métrica importa menos que o caso de uso. Cartesia dominou em naturalidade, mas não em identidade ao falante. Inworld alcançou qualidade de áudio superior, mas sua força é em aplicações de agentes multilíngues com latência aceitável. As conclusões de um teste cego não transferem diretamente para produção, onde contexto, latência, custo total e requisitos regulatórios definem a viabilidade real.
Para leitura complementar sobre modelos de áudio e agentes de voz, a Alibaba lançou recentemente o Qwen3.8-LiveTranslate, modelo de tradução simultânea em tempo real que reduz latência em 60 idiomas, ampliando as possibilidades de clonagem para aplicações multilíngues. O Google, por sua vez, lançou Gemini 3.8 Live e Extended Thinking para agentes de voz em produção, confirmando a importância desta categoria de tecnologia em 2026.
Fonte: MarkTechPost
Sobre o autor
