声のコピー技術を徹底比較

一般的な音声はただ良い音であれば十分ですが、コピーされた音声は特定の人物そっくりでなければなりません。これはより難しいテストであり、ここで紹介する7つのVoice cloning providersは、それぞれ異なる方法でこれに対応しています。私たちは10秒の参照クリップを1つ録音し、それをすべてのプラットフォームでコピーしました。結果は以下に名前を伏せて並べてあるので、名前を見る前にご自身で判断できます。私たちは次に、導入を決定する4つの軸、すなわち必要な参照音声、consent verification、commercial license、および言語を比較します。10秒テストの仕組み 参照音声は、静かな部屋で一人の話者が話す10秒間の音声で、WAV形式で保存されています。すべてのプラットフォームで同じ2つの文章を読み上げます。1つは会話調、もう1つは数字と固有名詞を含みます。私たちは各vendorのinstant cloning pathをデフォルト設定で使用しました。2つのvendorsはルールを少し変更しています。Humeは最低15秒と記載しているため、そのcloneは同じ話者の音声を15秒に延長して使用します。ElevenLabsはInstant Voice Cloningに1〜2分を推奨しているため、その10秒のcloneはvendorの推奨を下回る形で実行されます。Comparison at a glance Provider Reference audio (instant / pro) Consent verification Commercial license from Languages List price per 1M chars ElevenLabs 1 to 2 min recommended / 30 min minimum