So sánh 7 API nhân bản giọng nói năm 2026: Độ giống, kiểm duyệt và chi phí

Một giọng nói thông thường (stock voice) chỉ cần nghe hay là đủ. Nhưng một giọng nói được nhân bản (cloned voice) phải nghe giống hệt một người cụ thể. Đó là một bài kiểm tra khó hơn, và 7 nhà cung cấp dịch vụ nhân bản giọng nói trong bài viết này xử lý vấn đề đó theo những cách rất khác nhau.

Chúng tôi đã ghi âm một đoạn tham chiếu dài 10 giây và nhân bản nó trên mọi nền tảng. Kết quả được đặt cạnh nhau bên dưới, không gắn nhãn, để bạn có thể tự đánh giá trước khi biết tên nhà cung cấp. Sau đó, chúng tôi so sánh 4 tiêu chí quyết định việc triển khai: âm thanh tham chiếu cần thiết, xác minh sự đồng ý, giấy phép thương mại và ngôn ngữ.

Cách thức hoạt động của bài kiểm tra 10 giây

Đoạn tham chiếu là 10 giây của một người nói trong phòng yên tĩnh, được lưu dưới định dạng WAV. Mọi nền tảng đều đọc cùng 2 câu. Một câu mang tính hội thoại; câu còn lại chứa các con số và tên riêng. Chúng tôi sử dụng lộ trình nhân bản tức thì (instant cloning) của mỗi nhà cung cấp với các cài đặt mặc định.

Hai nhà cung cấp đã thay đổi quy tắc này. Hume ghi chú mức tối thiểu là 15 giây, vì vậy bản sao của họ sử dụng cùng một người nói nhưng kéo dài thành 15 giây. ElevenLabs khuyến nghị từ 1 đến 2 phút cho tính năng Instant Voice Cloning, nên bản sao 10 giây của họ nằm dưới mức hướng dẫn của nhà cung cấp.

Bảng so sánh nhanh

Mức giá theo gói tín dụng bằng giá gói chia cho số ký tự đi kèm. Trang giá của Resemble AI không liệt kê mức giá TTS; các trình theo dõi báo cáo mức $0,0005 mỗi giây vào giữa năm 2026, được quy đổi ở đây là khoảng 1.000 ký tự mỗi phút. Giá đã được kiểm tra vào ngày 20 tháng 9 năm 2026.

Độ tương đồng của giọng nói: dữ liệu công khai cho thấy điều gì

Hume đã công bố Bảng xếp hạng Nhân bản Giọng nói (Voice Replication Leaderboard) vào ngày 10 tháng 9 năm 2026. Họ đã thử nghiệm 11 mô hình trên 25 giọng nói tham chiếu với 7 câu lệnh. 3 người đánh giá mù (blind raters) đã chấm điểm mỗi đoạn clip từ 1 đến 5 dựa trên độ giống với bản gốc.

Trong số các nhà cung cấp ở đây, Fish Audio s2-pro dẫn đầu với 4,03 điểm. Cartesia sonic-3.5 đạt 3,70 điểm và ElevenLabs Multilingual v2 đạt 3,68 điểm. Cartesia sonic-3.6-beta đạt 3,63 điểm, và Inworld TTS-2 đạt 3,62 điểm. ElevenLabs Eleven v3 xếp cuối trong 11 mô hình với 2,91 điểm.

Bảng xếp hạng cũng cho thấy lý do tại sao một con số đơn lẻ có thể gây hiểu lầm. Cartesia sonic-3.6-beta đứng đầu về độ tự nhiên với 4,36 điểm nhưng lại xếp thứ 8 về độ nhận diện. Inworld TTS-2 đứng đầu về chất lượng âm thanh với 4,61 điểm. Dữ liệu đầy đủ theo từng danh mục có trên bảng xếp hạng của Hugging Face.

Phân tích chi tiết nhà cung cấp

ElevenLabs

ElevenLabs cung cấp Instant Voice Cloning (IVC) và Professional Voice Cloning (PVC). Tài liệu của IVC khuyến nghị từ 1 đến 2 phút âm thanh sạch. PVC cần ít nhất 30 phút, lý tưởng là 2 đến 3 giờ, trên gói Creator trở lên. Nền tảng này cũng có cơ chế kiểm soát nghiêm ngặt nhất: chủ sở hữu giọng nói phải đọc to văn bản trên màn hình thông qua Voice Captcha. Giá API là $0,10 cho mỗi 1.000 ký tự trên Eleven v3 và Multilingual v2. Các gói Flash, Turbo và v3 Conversational có giá $0,05. Eleven v3 hỗ trợ hơn 70 ngôn ngữ.

Cartesia

Cartesia nhân bản từ 10 giây âm thanh. Sonic 3.6 và các phiên bản mới hơn sử dụng tối đa 60 giây để giữ giọng địa phương tốt hơn. Pro Voice Clones được huấn luyện trên 30 phút trở lên và bắt đầu từ gói Startup giá $49. Sonic tính phí 1 tín dụng cho mỗi ký tự. Các gói dao động từ $5 cho 100.000 tín dụng đến $299 cho 8 triệu tín dụng. Sonic liệt kê 44 ngôn ngữ.

Inworld

Các bản sao tức thì của Inworld hoạt động từ 3 giây âm thanh, và các mẫu lên đến 30 giây sẽ cải thiện độ tương đồng. Việc nhân bản là miễn phí. Realtime TTS-2 có giá $25 cho mỗi 1 triệu ký tự theo nhu cầu. Mức giá này giảm xuống $15 nếu dùng $300 mỗi tháng và $12,50 nếu dùng $1.500. TTS-2 Flash bắt đầu từ $15 và giảm xuống $7. Nhân bản chuyên nghiệp đang ở giai đoạn beta, cần 10 phút âm thanh và chỉ hỗ trợ tiếng Anh. Inworld hỗ trợ hơn 200 ngôn ngữ và địa phương, với 15 ngôn ngữ nằm trong phân khúc chất lượng cao nhất.

Gradium

Gradium, được thành lập bởi các đồng sáng lập của Kyutai, nhân bản từ 10 giây âm thanh. Gói miễn phí bao gồm 5 bản sao cho mục đích phi thương mại. Các gói trả phí bắt đầu từ $13 cho 225.000 tín dụng, tính phí 1 tín dụng mỗi ký tự. Pro Voice Clone cần tối thiểu 30 phút và bắt đầu từ gói M giá $340. Phạm vi ngôn ngữ còn hạn hẹp: tiếng Anh, Pháp, Đức, Tây Ban Nha và Bồ Đào Nha.

Fish Audio

Fish Audio tính phí API ở mức $15 cho mỗi 1 triệu byte UTF-8. Văn bản tiếng Anh tốn khoảng 1 byte mỗi ký tự. Tiếng Trung, Nhật và Hàn tốn khoảng 3 byte, làm tăng giá thực tế lên gấp ba lần. S2.1 Pro hỗ trợ 83 ngôn ngữ. Các bản sao tức thì hoạt động từ khoảng 10 giây. Các bản sao chuyên nghiệp mất từ 10 đến 180 phút và yêu cầu xác minh quyền sở hữu trực tiếp. Sử dụng thương mại bắt đầu từ gói Plus giá $15 và áp dụng cho các giọng nói đã được xác minh mà bạn sở hữu.

Resemble AI

Resemble AI Rapid Clone cần 10 giây và hoàn thành trong chưa đầy một phút. Professional Clone cần từ 10 đến hơn 25 phút và khoảng 40 phút huấn luyện. Nó yêu cầu sự đồng ý rõ ràng, có thể xác minh từ tài năng giọng nói. Tính năng đóng dấu bản quyền (watermarking) PerTh có sẵn trên mọi đầu ra. Chatterbox Multilingual hỗ trợ 23 ngôn ngữ. Điểm cần lưu ý: Resemble hiện đang dẫn đầu về phát hiện deepfake. API Nhân bản Giọng nói của họ yêu cầu gói Business trở lên. Trang giá của họ không còn liệt kê mức giá TTS.

Hume

Hume Octave nhân bản từ tối thiểu 15 giây, được ghi âm trực tiếp hoặc tải lên từ người nói đã đồng ý. Octave 2 hỗ trợ 11 ngôn ngữ. Sử dụng thương mại bắt đầu từ gói Creator với giá $14 mỗi tháng; các gói Free và Starter là phi thương mại. Trang giá của Hume chỉ liệt kê quyền truy cập API cho nhân bản giọng nói ở gói Enterprise; các gói khác tạo bản sao ngay trên nền tảng. Ký tự bổ sung có giá $0,15 cho mỗi 1.000 ký tự trên gói Creator, giảm xuống $0,05 trên gói Business.

API nào phù hợp với công việc nào

Những điểm chính cần lưu ý

Câu hỏi thường gặp (FAQ)

Asif Razzaq là CEO của Marktechpost AI Media Inc.. Là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt Nền tảng Truyền thông Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về học máy và học sâu, vừa đảm bảo tính kỹ thuật vừa dễ hiểu đối với đông đảo khán giả. Nền tảng này tự hào với hơn 2 triệu lượt xem hàng tháng, minh chứng cho sự phổ biến của nó đối với độc giả.