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 是一个语音和音频平台，旨在将文本转化为逼真的语音、转录音频、生成音乐，以及部署对话式语音代理。它为创作者、开发者和企业团队提供一个集中平台，用于制作旁白、配音、音效以及面对客户的电话或聊天体验，无需每次项目都使用录音棚或聘请配音人才。

该公司自主开发了语音、转录和音乐模型，而不是依赖第三方API。研究版本如 Eleven v3、Scribe v2 和 Eleven Music 支撑着三个产品线：用于内容制作的 ElevenCreative，用于客户体验自动化的 ElevenAgents，以及为开发者提供 Python 和 TypeScript SDK 编程接口的 ElevenAPI。

该平台主要面向播客主播、视频制作人、游戏工作室和支持团队，支持70多种语言的一致语音体验。企业客户如迪士尼、思科和德国电信等，都在规模化应用中使用该平台进行配音、IVR 和品牌语音体验。