Cartesia 美国 Cartesia 基于自研状态空间模型 Sonic,主打数百毫秒级实时合成延迟,提供流式接口边生成边播放,支持声音克隆与数十种语言并提供语气情感控制,面向语音 Agent 场景优化;不足是产品线聚焦偏窄、中文音色少于国内厂商。
Resemble AI 美国 Resemble AI 提供少样本语音克隆,1 分钟音频即可生成个性化音色,支持多语种与情感参数及数百毫秒级实时语音转换,并内置深度伪造检测与音频水印 2 层溯源,另有私有部署选项;不足是中文自然度弱于国内厂商、克隆涉及权利合规、私有部署成本较高。