Кто ведёт рынок озвучки текста нейросетью: студии, API и открытые модели
Озвучка текста нейросетью перестала быть одним рынком. В 2026 году он делится на три лагеря с разной бизнес-моделью. Студии продают голоса и клонирование.
Крупные ИИ-компании продают синтез речи как строчку в прайсе API. А NVIDIA раздаёт модель бесплатно. Разбираю, кто где сильнее и что выбрать под свою задачу. ElevenLabs остаётся ориентиром рынка по естественности голоса и клонированию. Модель Eleven v3 поддерживает больше 70 языков, включая русский. Бесплатный тариф даёт 10 000 кредитов в месяц — это около 10 минут синтеза, но без коммерческой лицензии. Платные тарифы: Starter — $6, Creator — $22, Pro — $99, Scale — $299, Business — $990 в месяц. Быстрое клонирование голоса открывается уже на Starter, профессиональное — с Creator. Модель бизнеса понятна: платят за минуты и за слоты под свои голоса. Murf целится не в подкастеров, а в отделы обучения и маркетинга. Главное здесь — редактор, где озвучку презентации или учебного ролика собирает человек без монтажных навыков. Больше 150 голосов на 35+ языках. Бесплатно — 10 минут и два проекта, платные тарифы — от $19 (Creator) и $66 (Business) в месяц при годовой оплате. Для разработчиков есть отдельный API на модели Falcon по цене 1 цент за минуту синтеза. Это заметно дешевле студийных тарифов, если голос нужен в приложении, а не в редакторе. У OpenAI и Google синтез речи не отдельная витрина с голосами, а часть API рядом с языковыми моделями. У OpenAI это модели TTS и линейка Realtime для голосовых агентов, у Google — синтез речи в облаке рядом с Gemini. Такой подход выгоден тем, кто строит голосового агента или колл-центр и считает расходы на больших объёмах. Но студии здесь нет: ни визуального редактора, ни кнопки «клонировать». Всё собирается кодом. Magpie TTS Multilingual — открытая модель на 364 млн параметров с лицензией, которая допускает коммерческое использование. Её можно развернуть на своём сервере и не платить за минуты. Ограничение одно, но существенное: 12 языков, и русского среди них нет. Для русского текста к западным сервисам добавляются два локальных: Яндекс SpeechKit и SaluteSpeech от Сбера. Они уступают ElevenLabs по выбору голосов и инструментам, зато оплачиваются напрямую. Для десятка роликов в месяц удобнее ElevenLabs или Murf. Для тысяч звонков и ответов в приложении дешевле API, даже с учётом разработки. Клонирование доступно уже на тарифе за $6. Компании стоит заранее решить, чей голос звучит в её роликах, и закрепить права на него в договоре с диктором. Как только открытые веса получат русский язык, стоимость синтеза для своих продуктов упадёт почти до цены сервера.
Источник: vc.ru — vc.ru/ai/3238131-rynok-ozvuchki-teksta-neurosyetyu
