la mejor opción calidad-precio seria rentar una PC con GPU por hora e instalar por ejemplo Applio, clona voces y como es local open source seria ilimitado, el precio por hora va a depender de la GPU rentada, por ejemplo una RTX A6000 tiene un costo por hora de 0.31$ pero puedes conseguir opciones mas económicas
otra ventaja es que aparte del clonador de voz podrías instalar todo un paquete de creación por ejemplo:
Ollama: para tener tu propio llm y te ahorras pagar chatGPT
Applio: Clonación de voz de alta calidad ilimitado
Flux: Para crear las imágenes y miniaturas
Stable Video Diffusión: Para crear videos que puedan completar tu creacion
hay muchas plataformas para rentar GPU en la nube actualmente, seria cuestion de que investigues cual te conviene mas
yo solo he probado esta: massedcompute.com
actualmente tengo mi propia GPU y pues hago todo en local