Deep Voice 3 对比 ElevenLabs

Deep Voice 3 是百度研究所基于 PyTorch 的开源实现，重现了 Deep Voice 3 文本转语音模型。它复现了卷积序列学习的可扩展神经 TTS，并提供预训练的 checkpoint 以及单 speaker 和多 speaker 的音频演示。

该项目包括在 LJSpeech 上训练的单 speaker 合成模型，以及在 VCTK 数据集上训练的 108 speaker 多 speaker 生成模型。演示页面托管了示例音频片段、注意力图以及预训练权重的 GitHub 链接。

该项目面向希望拥有 Deep Voice 3 参考实现的研究人员和开发者，而非托管语音 API。训练脚本、推理代码以及社区贡献均托管在公开的 GitHub 仓库中。

ElevenLabs 将文本转换为逼真的语音，并通过三条产品线运行语音代理：ElevenCreative 用于内容，ElevenAgents 用于客户体验，ElevenAPI 面向开发者。该平台提供超过 5,000 种声音，涵盖 70 多种语言，还包括语音转文本、语音克隆、配音、音乐、音效以及一个支持通过 WebSocket 进行轮流发言的语音引擎 SDK，同时您的服务器提供大型语言模型。

传统的 TTS API 听起来机械化，且语音转文本通常是事后附加的功能。ElevenLabs 将旁白、广告、角色声音、配音工作流程和低延迟商业层级整合在一个跨产品共享的信用钱包中。商业计划宣传每分钟低至 5 美分的 TTS 费用，专业版解锁 44.1 kHz PCM 以及 192 kbps 输出，这在大规模发布有声书或 IVR 时非常重要，而不仅仅是原型制作单个片段。

创作者、游戏工作室和企业客户体验团队在需要商业授权、专业语音克隆和 API 并发时选择 ElevenLabs。免费用户每月获得 10,000 积分用于测试，而 Scale 和 Business 计划增加工作区席位、团队协作以及数百万积分以支持生产工作负载。