インスタントボイスクローンとプロフェッショナルボイスクローンの違いは何ですか？

2分未満のオーディオで音声をすばやくクローンできるインスタントボイスクローンとは異なり、プロフェッショナルボイスクローンでは、よりリアルな音声モデルをトレーニングできます。大量の音声データで専用モデルをトレーニングすることで、元の音声とほとんど区別できないモデルを生成します。

プロフェッショナルボイスクローンには微調整とトレーニングが必要なため、ボイスクローンを使用できるようになるまで時間がかかります。待機中の人数など複数の要因に左右されるため正確な見積もりは難しいですが、通常、微調整には3～6時間かかります。

プロフェッショナルボイスクローンの準備が完了すると、メールで通知されます。