声音克隆这个技术，宣传页上都写着"10 秒样本，以假乱真"，但以假乱真的标准是什么、对谁乱真，各家说法都很暧昧。我们干脆定了条硬标准：能不能骗过听了几十年本人说话的家人。带着这个标准，测了 Fish Audio 和 ElevenLabs。
测评声明
时间：2026 年 9 月 3-5 日。环境：两家网页付费档，同一台耳机音箱。任务集：同一段 10 秒中文样本克隆音色，同一段 300 字测试文本（含多音字、数字串、中英混读）合成语音，另测 1500 字长文本稳定性；验收：5 位家人盲听打分（被克隆者配偶与父母在内）。
核心发现
①中文还原度，Fish Audio 更高。盲听 5 人中 4 人没听出是合成，语气词和口头禅的还原几乎复刻；ElevenLabs 被听出来的点集中在"尾音太干净"。
②英文场景，ElevenLabs 依旧天花板。同一段英文文本，它的连读、重音、情绪跨度都更像母语者，Fish Audio 偶有音节平均化的感觉。
③长文本稳定性，ElevenLabs 更少翻车。1500 字合成中，Fish Audio 出现 2 处重音奇怪、1 处情绪跳变；ElevenLabs 仅 1 处轻微停顿不自然。
④免费试用量，Fish Audio 大方得多。足够完成一个中小项目试水，ElevenLabs 免费档只够听个响。
维度评分
| 维度 | Fish Audio | ElevenLabs | 实测依据 |
|---|---|---|---|
| 中文还原度 | 9.1 | 8.3 | 5 人盲听 4 人未识破 vs 2 人未识破 |
| 英文还原度 | 7.8 | 9.4 | 英文段落母语者听感对比明显 |
| 长文本稳定性 | 8.5 | 9.2 | 1500 字测试 3 处 vs 1 处瑕疵 |
| 响应速度 | 8.8 | 8.5 | 300 字合成均在 20 秒内完成 |
| 性价比 | 9.0 | 7.5 | 同价位额度差距明显，中文用户成本更低 |
分场景结论
中文口播、方言内容、给家人做声音纪念——选 Fish Audio，像不像本人这一关它过得最漂亮；英文内容、出海视频、播客制作——选 ElevenLabs，英文质感至今没有对手。给老家母亲做"有声回忆录"的程序员大鹏，用 Fish Audio 克隆了母亲自己的声音读她写的人生故事，母亲听了三遍说"我哪有这么好听"，眼圈当时就红了——这项技术最动人的用法，从来不是模仿名人，是留住普通人的声音。
横向对比
顺手提一句讯飞智作：克隆拟真度不如两家，但商用授权链条最清晰，拿去接商单更省心；如果作品要公开发布变现，授权问题比音质更值得优先考虑。
最终判断
一句话：中文克隆选 Fish Audio，英文内容选 ElevenLabs，商单用途先看授权。置信度说明：3 天实测、5 人盲听，样本偏小且样本音色单一（一男一女），结论仅供参考；声音克隆请仅用于本人或已获明确授权的声音。