Fish Audio Drama 3 vs Eleven v4 : un modèle remporte le vote de préférence, l’autre remporte les mots

ElevenLabs Eleven v4 et Fish Audio Drama 3 ne sont pas d'accord sur ce à quoi sert une note de synthèse vocale. Sur la Provider Voice Arena d'Artificial Analysis, Eleven v4 se classe deuxième avec un Elo de 1 334 et Drama 3 sixième à 1 278 ; sur la Controlled Voice Arena, où les deux sont évalués face aux mêmes voix de référence, Eleven v4 est quatrième à 1 156 et Drama 3 douzième à 1 085. Ce sont des écarts de 56 et 71 points, tous deux largement au-delà du bruit, et tous deux disent la même chose : les auditeurs préfèrent Eleven v4. Puis le même laboratoire demande à des évaluateurs humains si chaque mot difficile d'une phrase a réellement été prononcé correctement, et Drama 3 obtient 93,2 % contre 91,7 % pour Eleven v4, les deux se situant aux extrémités opposées de la catégorie qui détermine si un nom de marque, un chiffre ou un code de pièce ressort intact. L'écart de préférence est bien réel, tout comme l'écart de prononciation, et aucun chiffre unique ne les concilie.

L’écart qui ne se referme pas, et l’écart qui se referme.

Commençons par ce qu'Eleven v4 n'a pas perdu. Il est passé en disponibilité générale le 2026-09-28, quatre semaines après la mise en ligne du modèle de Fish Audio, et il a conservé les deux premières places du classement des voix de fournisseurs à chaque mise à jour du tableau depuis. L'écart actuel avec Drama 3 est de 56 points Elo sur les voix de fournisseurs et de 71 sur les voix contrôlées — et le tableau des voix contrôlées est le test le plus difficile, car il retire du comparatif le catalogue vocal propre à chaque fournisseur. Quelle que soit la signification de l'avance de Drama 3 parmi les modèles à poids ouverts, elle ne signifie pas que Drama 3 sonne mieux que Eleven v4 pour un auditeur à l'aveugle, et toute comparaison qui laisserait entendre le contraire cherche à vendre quelque chose.

Ce que Drama 3 propose, c’est la décomposition par catégorie du benchmark English Pronunciation Robustness d’Artificial Analysis, où 31 modèles sont notés et où la première place est partagée :

• Global — Drama 3 : 93,2 %, ex æquo en tête avec Ming-3.0-tts ; Eleven v4 : 91,7 % ; Eleven v4 Turbo : 90,1 %.

• Termes autonomes (marques, lieux, noms techniques) — Drama 3 95,9 %, en tête du classement ; Eleven v4 juste en dessous.

• Extension des abréviations (nombres, dates, unités, notation) — Eleven v4 94,1 %, en première position ; Drama 3 93,6 %, en deuxième position.

• Préservation des séquences exactes (codes, chemins, e-mails) — Drama 3 86,3 %, deuxième au classement derrière Ming-3.0-tts à 90,6 % ; Eleven v4 78,8 %, sa catégorie la plus faible et de loin.

• Pertinence contextuelle — Drama 3 95,3 % ; Google Gemini 3.8 Flash TTS arrive en tête du classement général avec 98,0 %.

Le motif est exploitable. Si votre script est essentiellement de la prose avec une poignée de chiffres, la gestion des formes abrégées d’Eleven v4 est la meilleure et l’écart global est inférieur à deux points. Si votre script contient des SKU, des numéros de dossier, des URL, des codes de pièce ou des adresses e-mail lus à voix haute, Eleven v4 est le modèle le plus faible du groupe de tête précisément dans cette catégorie — 78,8 % signifie qu’environ une séquence exacte sur cinq revient erronée — et Drama 3, à 86,3 %, reste imparfait, mais c’est la différence entre un agent de support qui lit un numéro de ticket une fois et un qui le lit deux fois.

Deux syntaxes pour la même direction

Les deux modèles permettent d’inscrire la performance directement dans le script, et les notations sont assez proches pour qu’une équipe puisse porter un script en un après-midi — ce qui rend les différences restantes dignes d’intérêt.

ElevenLabs utilise des balises audio intégrées — [laughs], [whispers], [sighs], [said angrily in French accent], et même [light rain] — insérées dans le texte là où l’interprétation doit changer. Le fournisseur documente les balises audio pour Eleven v4 Turbo, et Eleven v4 suit la même syntaxe ; les deux sont passés en disponibilité générale (GA) le 2026-09-28. Eleven v4 plafonne l’entrée à 10 000 caractères par requête, soit environ dix minutes d’audio ; un script long format doit donc être découpé aux limites de phrase puis réassemblé, la logique d’assemblage devenant votre problème. Le dialogue multi-locuteurs est pris en charge, et le modèle homologue à faible latence annonce une latence d’inférence médiane d’environ 100 millisecondes, hors surcoût applicatif et réseau.

La notation de Fish Audio est une convention à crochets, surmontée d’une couche d’étiquettes appariées, documentée dans ses propres pages Drama 3 :

• Indications entre crochets placées avant les mots qu'elles régissent — [à peine capable de se contenir, forçant un sourire] — écrites comme le ferait un metteur en scène donnant ses consignes à un comédien de doublage.

• Sons et pauses dans les mêmes crochets — [respiration tremblante], [petit rire] — placés exactement là où ils se produisent.

• Balises appariées qui modifient uniquement les mots enveloppés : whisper, emphasis, soft, fast, slow, stress, forceful. Aucun contrôle équivalent mot par mot n’est documenté côté ElevenLabs.

• Des indications écrites dans n’importe quelle langue, indépendamment de la langue du script. Un crochet d’indication en chinois devant une réplique en anglais est documenté et illustré. C’est la capacité que je testerais en premier, car c’est celle qui change qui peut utiliser l’outil : un metteur en scène qui n’écrit pas l’anglais peut quand même diriger une représentation en anglais.

• Épinglage des phonèmes par langue, avec des chemins pinyin et romaji documentés pour le chinois et le japonais, ainsi qu'une balise de changement de langue qui fait basculer une phrase dans une autre langue en milieu de ligne — marquée comme expérimentale dans la documentation.

• Plusieurs locuteurs dans une seule requête : un identifiant de voix par locuteur dans un tableau reference_id, chaque tour commençant par une balise de locuteur telle que <|speaker:0|>, les directives et les balises appariées fonctionnant à l'intérieur de chaque tour.

Les surfaces de contrôle sont réellement différentes par nature, et pas seulement dans leur formulation. ElevenLabs vous offre un vocabulaire de balises adapté à l’émotion et au rendu. Fish Audio vous offre l’émotion, plus l’épinglage phonétique, plus le changement de langue, plus un cadrage mot par mot, ce qui le rapproche davantage d’un outil de mastering que d’un outil d’interprétation. Pour le travail sur les livres audio et le doublage, ce second ensemble est celui qui est le plus utile. Pour les textes marketing conversationnels ou expressifs, les balises d’Eleven sont plus naturelles à la lecture et les scores de préférence vont dans le même sens.

L'argent, sur un script que vous avez vraiment

Les comparaisons à l’heure entre ces deux solutions ne sont pas fiables, car les fournisseurs facturent dans des unités différentes et supposent des débits de parole différents. Faites plutôt le calcul sur un script fixe. Eleven v4 affiche 80,00 $ par million de caractères ; un script de 100 000 caractères coûte donc 8,00 $. Drama 3 affiche 50,00 $ par million d’octets UTF-8, et l’anglais correspond à peu près à un octet par caractère ; le même script coûte donc 5,00 $ — et 1,00 $ pendant la promotion de lancement, qui court jusqu’au 2026-11-12 09:00 PT, à 10,00 $ par million d’octets.

Voilà la forme honnête de l'écart de prix : Drama 3 est 37 % moins cher par caractère anglais au tarif catalogue et 87 % moins cher pendant la promotion, et non les 60 % que suggérerait une comparaison naïve de caractères à caractères de 80 $ contre 50 $ si l'on oubliait les unités. Deux autres détails relèvent du budget plutôt que de la note de bas de page. Les indications entre crochets comptent comme du texte d'entrée et sont facturées, sur les deux plateformes, si bien qu'un script fortement dirigé coûte 10 à 25 % de plus que ce que son nombre de mots laisse supposer. Et chez Fish Audio, une requête dont l'en-tête de modèle est absent ou mal orthographié n'échoue pas — elle revient à s2.1-pro, qui, pendant la promotion, facture 15,00 $ par million d'octets au lieu de 10,00 $. Une faute de frappe dans un en-tête, c'est une augmentation de prix silencieuse de 50 %.

Le modèle de coût d'ElevenLabs est différent par nature : les niveaux d'abonnement incluent le clonage, et le clonage vocal instantané commence avec le forfait Starter à 6 $, les clones professionnels étant disponibles à partir du niveau Creator à 22 $. Fish Audio vend le clonage via le même système de crédits que la génération, et Drama 3 utilise les mêmes crédits que S2.1 Pro. Si le clonage est au centre de votre flux de travail plutôt qu'une fonctionnalité que vous utilisez deux fois, la comparaison est une comparaison de forfaits, pas une comparaison par caractère.

Licences, et la clause non négociable de part et d’autre

Aucun des deux fournisseurs ne vous autorisera à cloner une personne sans consentement, et les deux le disent explicitement. La différence tient à ce qu'il advient du modèle lui-même. Eleven v4 est une API fermée : vous obtenez une licence sur les sorties, pas sur les poids, et la contrainte pratique est la grille tarifaire. Drama 3 publie ses poids sur Hugging Face sous fishaudio/drama-3, selon la Fish Audio Community License v1.0 — gratuit pour la recherche et l'usage non commercial, gratuit pour l'usage commercial en dessous de 500 000 USD de chiffre d'affaires annuel pour vous et vos affiliés, et nécessitant une licence séparée au-delà de ce seuil ou si vous souhaitez proposer Drama 3 lui-même en tant que service hébergé. Artificial Analysis le classe comme « poids ouverts sans droits d'utilisation commerciale complète », ce qui est exact.

Cette comparaison est à double tranchant. Vous ne pouvez pas échapper au prix d'ElevenLabs par l'auto-hébergement, et vous ne pouvez pas devenir silencieusement un fournisseur de TTS sur les poids de Fish Audio. Mais vous pouvez, dès aujourd'hui, mettre Drama 3 sur une carte de 48 Go et générer à un coût marginal d'électricité — ce qui est une discussion d'approvisionnement différente de 8,00 $ pour 100 000 caractères, et c'est celle qui décide des travaux de catalogue sur longue durée.

Lequel mettre devant le routeur ?

Ni Fish Audio Drama 3 ni ElevenLabs Eleven v4 ne fait partie des modèles d'OrcaRouter. On accède à Drama 3 via l'API propre à Fish Audio et plusieurs plateformes tierces ; à Eleven v4 via celle d'ElevenLabs. Ce qui se trouve devant les deux, dans la configuration que ce blog ne cesse de recommander, c'est la couche de routage — une seule clé pour ~200 modèles au prix catalogue du fournisseur, sans majoration, un basculement automatique et un DSL de routage capable de faire tenir deux voix derrière un même point d'appel.

La raison qui compte pour cette confrontation spécifique, c'est que la bonne réponse est « les deux, pour des phrases différentes ». Un pipeline de production de dramas veut Drama 3 sur les lignes portant des noms propres et des codes, et il peut encore vouloir Eleven v4 sur les passages où les auditeurs jugent la voix elle-même. Fusion de modèles et le DSL de routage permettent à un pipeline de traiter cela comme une seule interface avec un choix par segment, plutôt que comme deux intégrations, deux grilles tarifaires et deux ensembles de comportements de nouvelle tentative. Lorsqu'un fournisseur ajuste un prix, la répercussion signifie que le changement arrive de votre côté le jour même plutôt qu'au prochain renouvellement de contrat — ce qui compte ici plus que d'ordinaire, car le tarif promotionnel de Fish Audio expire le 2026-11-12 et la comparaison effective change du jour au lendemain.

Pour un lecteur qui ne doit en choisir qu’un seul : Eleven v4 si le livrable est jugé sur la sonorité et que le script est rédigé en prose ordinaire ; Drama 3 si le livrable doit être exact sur les noms, les chiffres et les codes, si le travail est en format long et sensible au prix, si vous voulez les poids, ou si la personne qui rédige la direction ne rédige pas en anglais. L’arène dit qu’Eleven sonne mieux. Le tableau des prononciations dit que Drama le prononce mieux. Les deux relèvent de la même suite de benchmarks, et la question utile est de savoir laquelle de ces deux défaillances votre production souffre réellement.