Натрапив на дуже прикольну нову апішку (ВБИВЦЯ ЕЛЕВЕНЛАБС) для text to speech — Soniox TTS v2

вийшла буквально вчора і коштує $0.70 за ГОДИНУ згенерованої мови

для порівняння ElevenLabs:

v3 / multilingual — ~$6/год
flash/turbo — ~$3/год

тобто Soniox десь у 8.5 разів дешевше за v3 і в 4+ рази дешевше навіть за flash

при цьому 60+ мов, емоції прямо через теги типу [whisper], [laughing], [sad], клонування голосу з кількох секунд аудіо і стрімінг з низькою затримкою

ще прикольно що можна мішати різні мови прямо в одному тексті і голос при цьому залишається тим самим, і цифри вимовляє афігенно

ну і генерації вони наче не використовують для тренування моделей 🤔

треба потестити якість клонування голосу, бо якщо там все хоча б близько до elevenlabs — $0.70/год це прям дуже дешево

https://soniox.com/text-to-speech