Fish Audio Drama 3 vs. Eleven v4: Ein Modell gewinnt die Präferenzabstimmung, das andere die Wortwahl.

ElevenLabs Eleven v4 und Fish Audio Drama 3 sind sich uneinig darüber, was eine Text-to-Speech-Bewertung leisten soll. In der Provider Voice Arena von Artificial Analysis steht Eleven v4 mit einem Elo-Wert von 1.334 auf dem zweiten Platz und Drama 3 mit 1.278 auf dem sechsten; in der Controlled Voice Arena, in der beide gegen dieselben Referenzstimmen bewertet werden, belegt Eleven v4 mit 1.156 den vierten Platz und Drama 3 mit 1.085 den zwölften. Das sind Abstände von 56 bzw. 71 Punkten, beide deutlich außerhalb des Rauschens, und beide sagen dasselbe: Hörer bevorzugen Eleven v4. Dann fragt dasselbe Labor menschliche Prüfer, ob jedes schwierige Wort in einem Satz tatsächlich richtig ausgesprochen wurde, und Drama 3 erzielt 93,2 % gegenüber 91,7 % für Eleven v4, wobei die beiden an entgegengesetzten Enden der Kategorie stehen, die entscheidet, ob ein Markenname, eine Zahl oder ein Teilecode unbeschadet herauskommt. Die Präferenzlücke ist real, und die Aussprachelücke ist es ebenso, und keine einzelne Zahl bringt beide miteinander in Einklang.

Die Lücke, die sich nicht schließt, und die Lücke, die sich schließt.

Beginnen wir mit dem, was Eleven v4 nicht verloren hat. Es ging am 2026-09-28 in die allgemeine Verfügbarkeit über, vier Wochen nachdem das Modell von Fish Audio veröffentlicht wurde, und es hat bei jedem Ranglisten-Update seitdem die beiden Spitzenplätze bei den Anbieterstimmen gehalten. Der aktuelle Vorsprung gegenüber Drama 3 beträgt 56 Elo bei den Anbieterstimmen und 71 bei den kontrollierten Stimmen – und die Rangliste der kontrollierten Stimmen ist der härtere Test, weil sie den eigenen Stimmenkatalog jedes Anbieters aus dem Vergleich herausnimmt. Was auch immer die Führung von Drama 3 unter den Open-Weight-Modellen bedeuten mag: Sie bedeutet nicht, dass Drama 3 für einen blinden Hörer besser klingt als Eleven v4, und jeder Vergleich, der etwas anderes nahelegt, will etwas verkaufen.

Drama 3 bietet die Aufschlüsselung nach Kategorien im English Pronunciation Robustness-Benchmark von Artificial Analysis, bei dem 31 Modelle bewertet werden und die Spitzenposition geteilt wird:

• Gesamt — Drama 3 93,2 %, punktgleich auf dem ersten Platz mit Ming-3.0-tts; Eleven v4 91,7 %; Eleven v4 Turbo 90,1 %.

• Eigenständige Begriffe (Marken, Orte, technische Bezeichnungen) — Drama 3 95,9 %, ganz oben auf der Rangliste; Eleven v4 darunter.

• Auflösen von Kurzschreibweisen (Zahlen, Datumsangaben, Einheiten, Notation) — Eleven v4 mit 94,1 % auf dem ersten Platz; Drama 3 mit 93,6 % auf dem zweiten Platz.

• Beibehalten exakter Sequenzen (Codes, Pfade, E-Mails) — Drama 3 86,3 %, auf Platz zwei der Rangliste hinter Ming-3.0-tts mit 90,6 %; Eleven v4 78,8 %, was mit großem Abstand seine schwächste Kategorie ist.

• Kontextuell angemessen – Drama 3 95,3 %; Google Gemini 3.8 Flash TTS führt mit 98,0 % das gesamte Board an.

Das Muster ist brauchbar. Wenn Ihr Skript überwiegend aus Prosa mit einer Handvoll Zahlen besteht, ist die Handhabung von Kurzformen bei Eleven v4 die bessere, und der Gesamtunterschied liegt unter zwei Punkten. Wenn Ihr Skript SKUs, Fallnummern, URLs, Teilecodes oder vorgelesene E-Mail-Adressen enthält, ist Eleven v4 genau in dieser Kategorie das schwächste Modell der Spitzengruppe — 78,8 % bedeuten, dass etwa jede fünfte exakte Sequenz falsch zurückkommt — und Drama 3 mit 86,3 % ist noch immer nicht perfekt, aber es ist der Unterschied zwischen einem Support-Agenten, der eine Ticketnummer einmal vorliest, und einem, der sie zweimal vorliest.

Zwei Syntaxen für dieselbe Richtung

Beide Modelle ermöglichen es, die Performance in das Skript zu schreiben, und die Notationen sind so ähnlich, dass ein Team ein Skript an einem Nachmittag portieren kann – weshalb es sich lohnt, die verbleibenden Unterschiede zu kennen.

ElevenLabs verwendet Inline-Audio-Tags – [laughs], [whispers], [sighs], [said angrily in French accent], sogar [light rain] – die in den Text eingefügt werden, wo sich die Sprechweise ändern soll. Der Anbieter dokumentiert Audio-Tags für Eleven v4 Turbo, und Eleven v4 folgt derselben Syntax; beide wurden am 28.09.2026 allgemein verfügbar. Eleven v4 begrenzt die Eingabe auf 10.000 Zeichen pro Anfrage, also etwa zehn Minuten Audio, weshalb ein Langform-Skript an Satzgrenzen aufgeteilt und zusammengesetzt werden muss, wobei die Zusammenfügungslogik zu Ihrem Problem wird. Mehrsprecherdialoge werden unterstützt, und das Low-Latency-Schwestermodell gibt eine mediane Inferenzlatenz von etwa 100 Millisekunden an, ohne Anwendungs- und Netzwerk-Overhead.

Die Notation von Fish Audio ist eine Klammerkonvention mit einer darüberliegenden Ebene aus Paar-Tags, dokumentiert auf den eigenen Seiten zu Drama 3:

• Eingeklammerte Regieanweisungen vor den Wörtern, die sie bestimmen — [sich kaum zusammenreißend, ein Lächeln erzwingend] — geschrieben, wie ein Regisseur einem Synchronsprecher Anweisungen geben würde.

• Geräusche und Pausen in denselben Klammern — [zittriger Atemzug], [leises Lachen] — genau dort platziert, wo sie auftreten.

• Gepaarte Tags, die nur die umschlossenen Wörter ändern: whisper, emphasis, soft, fast, slow, stress, forceful. Auf der ElevenLabs-Seite ist keine äquivalente Steuerung pro Wort dokumentiert.

• Anweisungen in beliebiger Sprache, unabhängig von der Sprache des Skripts. Eine chinesische Regieanweisung in Klammern vor einer englischen Zeile ist dokumentiert und demonstriert. Diese Fähigkeit würde ich zuerst testen, denn sie ist diejenige, die verändert, wer das Werkzeug bedienen kann: Ein Regisseur, der kein Englisch schreibt, kann dennoch eine englische Aufführung inszenieren.

• Phonem-Pinning pro Sprache, mit dokumentierten Pinyin- und Romaji-Pfaden für Chinesisch und Japanisch, plus ein Sprachwechsel-Tag, das eine Phrase mitten in der Zeile in eine andere Sprache umschaltet – in der Dokumentation als experimentell gekennzeichnet.

• Mehrere Sprecher in einer einzigen Anfrage: eine Voice-ID pro Sprecher in einem reference_id-Array, wobei jeder Turn mit einem Sprecher-Tag wie <|speaker:0|> beginnt und Anweisungen sowie gepaarte Tags innerhalb jedes Turns funktionieren.

Die Steuerungsoberflächen unterscheiden sich tatsächlich grundlegend in ihrer Art, nicht nur in der Schreibweise. ElevenLabs bietet ein Tag-Vokabular, das auf Emotion und Darbietung abgestimmt ist. Fish Audio bietet Emotion plus phonetische Fixierung plus Sprachumschaltung plus wortweise Steuerung – das kommt einem Mastering-Werkzeug näher als einem Werkzeug für die Darbietung. Für Hörbuch- und Synchronisationsarbeit ist das zweite Set das nützlichere. Für dialogorientierte oder ausdrucksstarke Marketingtexte lesen sich die Tags von Eleven natürlicher, und die Präferenzwerte stimmen damit überein.

Das Geld – für ein Drehbuch, das du tatsächlich hast.

Stundenvergleiche zwischen diesen beiden sind unzuverlässig, weil die Anbieter in unterschiedlichen Einheiten abrechnen und unterschiedliche Sprechgeschwindigkeiten nahelegen. Führen Sie die Berechnung stattdessen anhand eines festen Skripts durch. Eleven v4 nennt 80,00 US-Dollar pro Million Zeichen, ein Skript mit 100.000 Zeichen kostet also 8,00 US-Dollar. Drama 3 nennt 50,00 US-Dollar pro Million UTF-8-Bytes, und Englisch liegt bei nahezu einem Byte pro Zeichen, also kostet dasselbe Skript 5,00 US-Dollar — und 1,00 US-Dollar während der Einführungsaktion, die bis zum 2026-11-12 09:00 PT gilt und 10,00 US-Dollar pro Million Bytes kostet.

Das ist die ehrliche Gestalt des Preisunterschieds: Drama 3 ist pro englischem Zeichen zum Listenpreis 37 % günstiger und während der Aktion 87 % günstiger – nicht die 60 %, die ein naiver Zeichen-gegen-Zeichen-Vergleich von 80 $ gegen 50 $ nahelegen würde, wenn man die Einheiten vergessen hätte. Zwei weitere Details gehören ins Budget und nicht in die Fußnote. Regieanweisungen in Klammern zählen als Eingabetext und werden auf beiden Plattformen berechnet, sodass ein stark mit Regieanweisungen versehenes Skript 10–25 % mehr kostet, als seine Wortzahl vermuten lässt. Und bei Fish Audio schlägt eine Anfrage, deren Modell-Header fehlt oder falsch geschrieben ist, nicht fehl – sie fällt auf s2.1-pro zurück, das während der Aktion mit 15,00 $ pro Million Bytes statt mit 10,00 $ berechnet wird. Ein Tippfehler im Header ist eine stille Preissteigerung um 50 %.

Das Kostenmodell von ElevenLabs ist grundlegend anders: Die Abo-Stufen beinhalten Voice Cloning, wobei Instant Voice Cloning beim 6-$-Starter-Plan beginnt und professionelle Clones ab dem 22-$-Creator-Tarif verfügbar sind. Fish Audio verkauft Cloning über dasselbe Credit-System wie die Generierung, und Drama 3 nutzt dieselben Credits wie S2.1 Pro. Wenn Cloning der Mittelpunkt Ihres Workflows ist und nicht eine Funktion, die Sie nur zweimal verwenden, dann ist der Vergleich ein Tarifvergleich – kein Vergleich pro Zeichen.

Lizenzierung und die Klausel, die auf beiden Seiten nicht verhandelbar ist

Keiner der beiden Anbieter lässt dich eine Person ohne Zustimmung klonen, und beide sagen das ausdrücklich. Der Unterschied liegt darin, was mit dem Modell selbst geschieht. Eleven v4 ist eine geschlossene API: Du lizenzierst die Ausgabe, nicht die Gewichte, und die praktische Einschränkung ist die Preisliste. Drama 3 veröffentlicht die Gewichte auf Hugging Face als fishaudio/drama-3 unter der Fish Audio Community License v1.0 – kostenlos für Forschung und nichtkommerzielle Nutzung, kostenlos für kommerzielle Nutzung unter US$500.000 Jahresumsatz für dich und deine verbundenen Unternehmen, und oberhalb dieser Schwelle oder wenn du Drama 3 selbst als gehosteten Dienst anbieten möchtest, ist eine separate Lizenz erforderlich. Artificial Analysis bezeichnet es als offene Gewichte ohne vollumfängliche kommerzielle Nutzungsrechte, was zutreffend ist.

Das schneidet für einen Vergleich in beide Richtungen. Man kann sich aus ElevenLabs’ Preis nicht heraus selbst hosten, und man kann nicht stillschweigend auf Fish Audios Gewichten ein TTS-Anbieter werden. Aber man kann heute Drama 3 auf eine 48-GB-Karte bringen und zu den Grenzkosten des Stroms generieren – was ein anderes Beschaffungsgespräch ist als 8,00 $ pro 100.000 Zeichen, und es ist das, das langlaufende Katalogarbeit entscheidet.

Welches davon soll vor den Router?

Weder Fish Audio Drama 3 noch ElevenLabs Eleven v4 gehören zu den Modellen auf OrcaRouter. Drama 3 ist über Fish Audios eigene API und mehrere Drittanbieter-Plattformen erreichbar; Eleven v4 über die von ElevenLabs. Was beiden vorgelagert ist, in der Anordnung, die dieser Blog immer wieder empfiehlt, ist die Routing-Schicht — ein Schlüssel für ~200 Modelle zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover und eine Routing-DSL, die zwei Stimmen hinter einer einzigen Aufrufstelle halten kann.

Der Grund, der bei diesem konkreten Vergleich zählt, ist, dass die richtige Antwort „beides, für unterschiedliche Sätze“ lautet. Eine Produktions-Pipeline für Dramen möchte Drama 3 auf den Zeilen, die Eigennamen und Codes enthalten, und möglicherweise weiterhin Eleven v4 auf den Passagen, bei denen Hörer die Stimme selbst beurteilen. Modellfusion und die Routing-DSL ermöglichen es einer Pipeline, das als eine Schnittstelle mit einer Auswahl pro Segment zu behandeln, statt als zwei Integrationen, zwei Tariftabellen und zwei Sätze von Retry-Verhalten. Wenn ein Anbieter einen Preis anpasst, bedeutet die Weitergabe, dass die Änderung noch am selben Tag bei Ihnen ankommt und nicht erst bei der nächsten Vertragsverlängerung – was hier stärker als üblich ins Gewicht fällt, weil der Aktionspreis von Fish Audio am 2026-11-12 ausläuft und sich der effektive Vergleich über Nacht ändert.

Für einen Leser, der sich nur für eines entscheiden will: Eleven v4, wenn das Ergebnis danach beurteilt wird, wie es klingt, und das Skript in gewöhnlicher Prosa geschrieben ist; Drama 3, wenn das Ergebnis bei Namen, Zahlen und Codes korrekt sein muss, wenn es sich um ein Langform-Projekt handelt und der Preis eine Rolle spielt, wenn Sie die Gewichte wollen oder wenn die Person, die die Regieanweisung schreibt, kein Englisch schreibt. Die Arena sagt, Eleven klingt besser. Das Aussprache-Board sagt, Drama sagt es besser. Beide sind dieselbe Benchmark-Suite, und die nützliche Frage ist, an welcher dieser beiden Schwächen Ihre Produktion tatsächlich leidet.