As 7 melhores APIs de clonagem de voz em 2026: preço, similaridade e consentimento

Uma voz padrão só precisa soar bem; uma voz clonada precisa soar como uma pessoa específica

É esse o teste mais difícil da síntese de voz — e as sete principais plataformas de clonagem tratam essa exigência de formas muito diferentes. Um comparativo da MarkTechPost gravou um único clipe de referência de 10 segundos e clonou a mesma voz em cada um dos provedores, medindo quatro eixos que decidem uma implantação real: áudio de referência necessário, verificação de consentimento, licença comercial e idiomas suportados.

Para o público brasileiro, a leitura importa por dois motivos: o custo por caractere varia quase 10 vezes entre provedores, e nem todas as APIs aceitam vozes em português com a mesma qualidade. A seguir, o que os números revelam.

Como o teste de 10 segundos funciona

A referência é uma gravação de 10 segundos de um único locutor em ambiente silencioso, salva em WAV. Todas as plataformas leem as mesmas duas frases — uma conversacional e outra repleta de números e um nome próprio. Cada fornecedor usa o caminho de clonagem instantânea com configurações padrão.

Dois provedores flexibilizam a regra: a Hume documenta 15 segundos como piso mínimo, e a ElevenLabs recomenda de 1 a 2 minutos para clonagem instantânea — então o clipe de 10 segundos roda abaixo da recomendação oficial da empresa.

Comparação lado a lado

Similaridade de locutor: o que os dados públicos mostram

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 deram nota de 1 a 5 para a semelhança com a voz original.

• Fish Audio s2-pro liderou com 4,03;
• Cartesia sonic-3.5 marcou 3,70 e ElevenLabs Multilingual v2, 3,68;
• Cartesia sonic-3.6-beta ficou com 3,63 e Inworld TTS-2, 3,62;
• ElevenLabs Eleven v3 fechou o ranking com 2,91 — último entre 11 modelos.

O placar também mostra por que um único número engana: o Cartesia sonic-3.6-beta liderou em naturalidade (4,36), mas ficou em 8º em identidade. O Inworld TTS-2 venceu em qualidade de áudio (4,61). Ou seja, similaridade, naturalidade e fidelidade não andam juntas.

O detalhe de cada provedor

ElevenLabs

Oferece Clonagem Instantânea (IVC) e Clonagem Profissional (PVC). A PVC exige pelo menos 30 minutos de áudio (ideal de 2 a 3 horas) e tem a trava mais rigorosa do comparativo: o dono da voz lê um texto na tela por meio do Voice Captcha. As taxas de API são US$ 0,10 por 1K caracteres no Eleven v3 e Multilingual v2, e US$ 0,05 nos modelos Flash, Turbo e v3 Conversational.

Cartesia

Clona a partir de 10 segundos; o Sonic 3.6 e superiores usam até 60 segundos para manter sotaques. Pro Voice Clones treinam em mais de 30 minutos e começam no plano Startup de US$ 49. O Sonic cobra 1 crédito por caractere, com planos de US$ 5 (100 mil créditos) a US$ 299 (8 milhões), e lista 44 idiomas.

Inworld

Clones instantâneos funcionam a partir de 3 segundos, e amostras de até 30 segundos melhoram a similaridade. A clonagem em si é gratuita. O TTS-2 em tempo real lista US$ 25 por 1M de caracteres sob demanda, caindo para US$ 15 no plano de US$ 300 e US$ 12,50 no de US$ 1.500. Suporta mais de 200 idiomas e localidades.

Gradium

Fundado por co-fundadores da Kyutai, clona a partir de 10 segundos. O plano gratuito inclui 5 clones para uso não comercial. O Pro Voice Clone precisa de 30 minutos e começa no plano M de US$ 340. A cobertura é enxuta: inglês, francês, alemão, espanhol e português.

Fish Audio

Cobra US$ 15 por 1M de bytes UTF-8. Texto em inglês gira em torno de 1 byte por caractere; chinês, japonês e coreano custam cerca de 3 vezes mais. O S2.1 Pro cobre 83 idiomas. Clones profissionais exigem verificação de propriedade ao vivo, e o uso comercial começa no plano Plus de US$ 15.

Resemble AI

O Rapid Clone precisa de 10 segundos e termina em menos de um minuto. O Professional Clone exige de 10 a 25 minutos e cerca de 40 minutos de treino, com consentimento explícito e verificável do locutor. Inclui marca d’água PerTh em todas as saídas e cobre 23 idiomas. O detalhe: a empresa agora aposta em detecção de deepfake, e a API de clonagem exige plano Business ou superior.

Hume

O Octave clona a partir de 15 segundos, gravados ao vivo ou enviados por um locutor que consentiu. O Octave 2 cobre 11 idiomas. O uso comercial começa no plano Creator de US$ 14 por mês — os planos Free e Starter são apenas para uso não comercial.

Qual API serve para qual trabalho

• Agentes de voz em escala com orçamento enxuto: Inworld ou Fish Audio.
• Baixa latência com ampla cobertura de idiomas: Cartesia.
• Vozes de marca com consentimento estrito: ElevenLabs PVC.
• Idiomas europeus com camada gratuita de teste: Gradium.
• Clonagem com marca d’água e detecção de deepfake: Resemble AI.
• Entrega dirigida por emoção: Hume.

O que levar em conta

A ElevenLabs continua sendo a escolha padrão da categoria, mas seus modelos ficaram para trás no novo placar de mesma voz da Hume. Apenas ElevenLabs, Fish Audio e Resemble AI documentam explicitamente a verificação de consentimento — um ponto crítico à medida que a clonagem de voz avança junto com o debate sobre deepfakes e uso não autorizado de vozes. Na hora de escolher, o preço por 1M de caracteres é o número mais fácil de comparar, mas similaridade, idiomas e a trava de consentimento definem o custo real de uma implantação.