MarkTechPost przeprowadził kompleksowy test siedmiu platform oferujących klonowanie głosu, wykorzystując identyczne 10-sekundowe nagranie referencyjne, aby sprawdzić jak każdy dostawca radzi sobie z najtrudniejszym zadaniem - odtworzeniem charakteru konkretnej osoby. To znacznie wyższa poprzeczka niż zwykłe głosy stockowe, które muszą jedynie brzmieć dobrze.
Platformy testowano na czterech kluczowych osiach decydujących o praktycznym wdrażaniu: długości wymaganego nagrania referencyjnego, sposobie weryfikacji zgody użytkownika, dostępności licencji komercyjnych i wsparciu dla języków. ElevenLabs wymaga 1-2 minut do klonowania natychmiastowego, ale test przeprowadzono poniżej tego minimum, podczas gdy Hume oficjalnie wskazuje 15 sekund jako dolny limit. Cartesia i Inworld działają z krótszymi próbkami - odpowiednio 10 sekund i od 3 sekund.
Rozbieżności w cenie są znaczące: ElevenLabs kosztuje 50-100 dolarów za milion znaków w zależności od modelu, Cartesia około 37-50 dolarów, a Inworld oferuje darmowy tier On-Demand. Różnice pojawiają się też w kwestii autoryzacji - ElevenLabs używa zaświadczenia o prawach dla klonowania natychmiastowego i Voice Captcha dla pro, Cartesia wymaga jawnej zgody w warunkach użytkowania, a Inworld potrzebuje potwierdzenia praw. Pod względem wspieranych języków lider jest wyraźny: ElevenLabs obsługuje ponad 70 języków w Eleven v3, podczas gdy konkurenci zaostają znacznie w tyle.