Fish Audio Drama 3 vs Eleven v4: un modelo gana el voto de preferencia, el otro gana las palabras

ElevenLabs Eleven v4 y Fish Audio Drama 3 discrepan sobre cuál es el propósito de una puntuación de conversión de texto a voz. En Provider Voice Arena de Artificial Analysis, Eleven v4 ocupa el segundo puesto con un Elo de 1.334 y Drama 3 el sexto con 1.278; en Controlled Voice Arena, donde ambos se puntúan frente a las mismas voces de referencia, Eleven v4 es cuarto con 1.156 y Drama 3 duodécimo con 1.085. Se trata de brechas de 56 y 71 puntos, ambas cómodamente fuera del ruido, y ambas dicen lo mismo: los oyentes prefieren Eleven v4. Luego, el mismo laboratorio pregunta a revisores humanos si cada palabra difícil de una frase se pronunció realmente de forma correcta, y Drama 3 obtiene 93,2 % frente al 91,7 % de Eleven v4, con los dos en extremos opuestos de la categoría que decide si un nombre de marca, una cifra o un código de pieza sale intacto. La brecha de preferencia es real y la brecha de pronunciación también, y ninguna cifra única las reconcilia.

La brecha que no se cierra, y la brecha que sí.

Empecemos por lo que Eleven v4 no ha perdido. Llegó a disponibilidad general el 2026-09-28, cuatro semanas después del lanzamiento del modelo de Fish Audio, y ha mantenido los dos primeros puestos de voces de proveedor en cada actualización de la tabla desde entonces. La diferencia actual sobre Drama 3 es de 56 Elo en voces de proveedor y 71 en voces controladas, y la tabla controlada es la prueba más exigente, porque elimina de la comparación el catálogo de voces propio de cada proveedor. Signifique lo que signifique el liderazgo de Drama 3 entre los modelos de pesos abiertos, no significa que Drama 3 suene mejor que Eleven v4 para un oyente a ciegas, y cualquier comparación que insinúe lo contrario está vendiendo algo.

Lo que tiene Drama 3 es el desglose categoría por categoría en el benchmark English Pronunciation Robustness de Artificial Analysis, donde se puntúa a 31 modelos y el primer puesto está compartido:

• General — Drama 3 93,2 %, empatado en primer lugar con Ming-3.0-tts; Eleven v4 91,7 %; Eleven v4 Turbo 90,1 %.

• Términos independientes (marcas, lugares, nombres técnicos) — Drama 3 95,9 %, primero en la tabla; Eleven v4 por debajo.

• Expansión de abreviaturas (números, fechas, unidades, notación) — Eleven v4 94,1 %, primero; Drama 3 93,6 %, segundo.

• Preservar secuencias exactas (códigos, rutas, correos electrónicos) — Drama 3: 86,3 %, segundo en la tabla por detrás de Ming-3.0-tts con 90,6 %; Eleven v4: 78,8 %, que es su categoría más débil por un amplio margen.

• Contextualmente apropiado — Drama 3 95,3%; Google Gemini 3.8 Flash TTS lidera toda la tabla con 98,0%.

El patrón es utilizable. Si tu guion es principalmente prosa con un puñado de números, el manejo de abreviaturas de Eleven v4 es el mejor y la diferencia general es inferior a dos puntos. Si tu guion contiene SKUs, números de caso, URLs, códigos de pieza o direcciones de correo electrónico leídas en voz alta, Eleven v4 es el modelo más débil del grupo de cabeza exactamente en esa categoría — 78,8 % significa que aproximadamente una de cada cinco secuencias exactas se devuelve mal — y Drama 3, con 86,3 %, sigue siendo imperfecto, pero es la diferencia entre un agente de soporte que lee un número de ticket una vez y uno que lo lee dos veces.

Dos sintaxis para la misma dirección

Ambos modelos te permiten escribir el rendimiento en el script, y las notaciones son lo bastante parecidas como para que un equipo pueda portar un script en una tarde, lo que hace que valga la pena conocer las diferencias que quedan.

ElevenLabs utiliza etiquetas de audio en línea — [laughs], [whispers], [sighs], [said angrily in French accent], incluso [light rain] — insertadas en el texto allí donde deba cambiar la forma de decirlo. El proveedor documenta las etiquetas de audio para Eleven v4 Turbo, y Eleven v4 sigue la misma sintaxis; ambas alcanzaron disponibilidad general el 28/09/2026. Eleven v4 limita la entrada a 10.000 caracteres por solicitud, aproximadamente diez minutos de audio, por lo que un guion de formato largo tiene que dividirse en fragmentos en los límites de las frases y empalmarse, y la lógica de empalme pasa a ser tu problema. Se admite el diálogo con varios hablantes, y la variante de baja latencia declara una latencia de inferencia mediana de unos 100 milisegundos, excluyendo la sobrecarga de la aplicación y de la red.

La notación de Fish Audio es una convención de corchetes con una capa de etiquetas emparejadas encima, documentada en sus propias páginas de Drama 3:

• Indicaciones entre corchetes antes de las palabras a las que rigen — [apenas manteniendo la compostura, forzando una sonrisa] — escritas tal como un director instruiría a un actor de voz.

• Sonidos y pausas entre los mismos corchetes — [respiración temblorosa], [risa suave] — colocados exactamente donde ocurren.

• Etiquetas emparejadas que solo cambian las palabras envueltas: whisper, emphasis, soft, fast, slow, stress, forceful. No hay ningún control equivalente por palabra documentado en el lado de ElevenLabs.

• Indicaciones escritas en cualquier idioma, independientemente del idioma del guion. Se documenta y se demuestra una acotación en chino delante de una réplica en inglés. Esta es la capacidad que probaría primero, porque es la que cambia quién puede operar la herramienta: un director que no escribe inglés puede seguir dirigiendo una representación en inglés.

• Fijación de fonemas por idioma, con rutas documentadas de pinyin y romaji para chino y japonés, además de una etiqueta de cambio de idioma que convierte una frase a otro idioma a mitad de línea — marcada como experimental en la documentación.

• Varios locutores en una sola solicitud: un id de voz por locutor en un array reference_id, y cada turno comienza con una etiqueta de locutor como <|speaker:0|>, con las indicaciones y las etiquetas emparejadas funcionando dentro de cada turno.

Las superficies de control son genuinamente diferentes en naturaleza, no solo en su denominación. ElevenLabs ofrece un vocabulario de etiquetas ajustado a la emoción y la interpretación. Fish Audio ofrece emoción, además de fijación fonética, cambio de idioma y alcance por palabra, lo que se acerca más a una herramienta de masterización que a una de interpretación. Para el trabajo de audiolibros y doblaje, ese segundo conjunto es el más útil. Para textos de marketing conversacionales o expresivos, las etiquetas de Eleven se leen de forma más natural y las puntuaciones de preferencia lo confirman.

El dinero, en un guion que realmente tengas

Las comparaciones por hora entre estos dos no son fiables, porque los proveedores facturan en unidades distintas e implican velocidades de habla diferentes. En su lugar, haz los cálculos con un guion fijo. Eleven v4 cotiza a $80.00 por millón de caracteres, así que un guion de 100.000 caracteres cuesta $8.00. Drama 3 cotiza a $50.00 por millón de bytes UTF-8, y el inglés se acerca a un byte por carácter, así que el mismo guion cuesta $5.00 — y $1.00 durante la promoción de lanzamiento, que se extiende hasta el 2026-11-12 09:00 PT a $10.00 por millón de bytes.

Esa es la forma honesta de la diferencia de precio: Drama 3 es un 37 % más barato por carácter inglés a precio de lista y un 87 % más barato durante la promoción, no el 60 % que sugeriría una comparación ingenua de caracteres con caracteres entre $80 y $50 si se olvidaran las unidades. Otros dos detalles pertenecen al presupuesto y no a la nota al pie. Las indicaciones entre corchetes cuentan como texto de entrada y se facturan en ambas plataformas, así que un guion con muchas indicaciones cuesta entre un 10 % y un 25 % más de lo que implica su conteo de palabras. Y en Fish Audio, una solicitud cuyo encabezado de modelo falta o está mal escrito no falla: recurre a s2.1-pro, que durante la promoción factura a $15.00 por millón de bytes en lugar de $10.00. Un error tipográfico en un encabezado es un aumento silencioso del precio del 50 %.

El modelo de costes de ElevenLabs es de distinta naturaleza: los niveles de suscripción incluyen la clonación, y la clonación instantánea de voz empieza en el plan Starter de $6, con clones profesionales desde el nivel Creator de $22. Fish Audio vende la clonación mediante el mismo sistema de créditos que la generación, y Drama 3 usa los mismos créditos que S2.1 Pro. Si la clonación es el centro de tu flujo de trabajo en lugar de una función que usas dos veces, la comparación es una comparación de planes, no una por carácter.

Licencias, y la cláusula que no es negociable por ninguna de las partes

Ninguno de los dos proveedores te permitirá clonar a una persona sin consentimiento, y ambos lo dicen explícitamente. La diferencia está en qué ocurre con el modelo en sí. Eleven v4 es una API cerrada: se licencia la salida, no los pesos, y la limitación práctica es la tabla de tarifas. Drama 3 publica los pesos en Hugging Face como fishaudio/drama-3 bajo la Fish Audio Community License v1.0: gratis para investigación y uso no comercial, gratis para uso comercial por debajo de US$500,000 de ingresos anuales para ti y tus filiales, y requiere una licencia aparte por encima de ese umbral o si quieres ofrecer el propio Drama 3 como servicio alojado. Artificial Analysis lo etiqueta como pesos abiertos sin derechos plenos de uso comercial, lo cual es exacto.

Eso juega en ambos sentidos en una comparación. No puedes librarte del precio de ElevenLabs mediante autoalojamiento, ni convertirte silenciosamente en proveedor de TTS usando los pesos de Fish Audio. Pero puedes, hoy mismo, poner Drama 3 en una tarjeta de 48 GB y generar a un coste marginal de electricidad —lo que supone una conversación de adquisición distinta de 8,00 $ por cada 100.000 caracteres, y es la que decide el trabajo de catálogo de larga duración.

¿Cuál poner delante del router?

Ni Fish Audio Drama 3 ni ElevenLabs Eleven v4 es uno de los modelos de OrcaRouter. A Drama 3 se accede mediante la propia API de Fish Audio y varias plataformas de terceros; a Eleven v4, mediante la de ElevenLabs. Lo que hay delante de ambos, en la disposición que este blog sigue recomendando, es la capa de enrutamiento: una sola clave para ~200 modelos al precio de lista del proveedor, sin recargo, con conmutación automática en caso de fallo y un DSL de enrutamiento que puede mantener dos voces detrás de un único punto de llamada.

La razón por la que esto importa para esta comparación concreta es que la respuesta correcta es «ambos, para frases diferentes». Un pipeline de producción de drama quiere Drama 3 en las líneas que contienen nombres propios y códigos, y puede que siga queriendo Eleven v4 en los pasajes donde los oyentes juzgan la propia voz. La fusión de modelos y el DSL de enrutamiento permiten que un pipeline aborde eso como una única interfaz con una elección por segmento, en lugar de como dos integraciones, dos tablas de tarifas y dos conjuntos de comportamientos de reintento. Cuando un proveedor ajusta un precio, el traspaso hace que el cambio llegue a tu lado el mismo día en lugar de en la próxima renovación del contrato, lo cual importa aquí más de lo habitual, porque la tarifa promocional de Fish Audio vence el 2026-11-12 y la comparación efectiva cambia de un día para otro.

Para un lector que decide solo uno: Eleven v4 si el entregable se juzga por cómo suena y el guion está escrito en prosa corriente; Drama 3 si el entregable tiene que ser correcto en nombres, números y códigos, si el trabajo es de formato largo y sensible al precio, si quieres los pesos, o si la persona que escribe la dirección no escribe inglés. La arena dice que Eleven suena mejor. El tablero de pronunciación dice que Drama lo hace mejor. Ambos son el mismo conjunto de pruebas de referencia, y la pregunta útil es de cuál de esos dos fallos sufre realmente tu producción.