Fish Audio Drama 3 מול Eleven v4: מודל אחד מנצח בהצבעת ההעדפה, והשני מנצח במילים

ElevenLabs Eleven v4 ו-Fish Audio Drama 3 חלוקים בדעתם מה תכליתו של ציון טקסט-לדיבור. ב-Provider Voice Arena של Artificial Analysis, Eleven v4 נמצא במקום השני עם Elo של 1,334 ו-Drama 3 במקום השישי עם 1,278; ב-Controlled Voice Arena, שבו שניהם מדורגים מול אותם קולות ייחוס, Eleven v4 במקום הרביעי עם 1,156 ו-Drama 3 במקום ה-12 עם 1,085. אלה פערים של 56 ו-71 נקודות, שניהם בבירור מחוץ לרעש, ושניהם מעידים על אותו דבר: המאזינים מעדיפים את Eleven v4. לאחר מכן אותה מעבדה שואלת סוקרים אנושיים אם כל מילה מאתגרת במשפט בוטאה בפועל נכון, ו-Drama 3 מקבל ציון של 93.2% לעומת 91.7% של Eleven v4, כששניהם נמצאים בקצוות מנוגדים של הקטגוריה שמכריעה אם שם מותג, מספר או קוד חלק יוצאים שלמים. פער ההעדפה אמיתי, וכך גם פער ההגייה, ואף מספר בודד לא מיישב ביניהם.

הפער שלא נסגר, והפער שכן

התחל במה ש-Eleven v4 לא איבד. הוא הגיע לזמינות כללית ב-2026-09-28, ארבעה שבועות אחרי שהמודל של Fish Audio שוחרר, והוא שמר על שני המקומות העליונים בקולות הספקים בכל עדכון לוח מאז. הפער הנוכחי מול Drama 3 הוא 56 Elo בקולות ספקים ו-71 בקולות מבוקרים — ולוח הקולות המבוקרים הוא המבחן הקשה יותר, משום שהוא מסיר את קטלוג הקולות של כל ספק מההשוואה. יהא אשר יהא פירושו של היתרון של Drama 3 בקרב מודלים עם משקלים פתוחים, זה לא אומר ש-Drama 3 נשמע טוב יותר מ-Eleven v4 למאזין עיוור, וכל השוואה שרומזת אחרת מוכרת משהו.

מה שיש ל-Drama 3 הוא פירוט לפי קטגוריות בבנצ'מרק English Pronunciation Robustness של Artificial Analysis, שבו 31 מודלים מקבלים ציון והפסגה משותפת:

• סך הכול — Drama 3 93.2%, במקום הראשון במשותף עם Ming-3.0-tts; Eleven v4 91.7%; Eleven v4 Turbo 90.1%.

• מונחים עצמאיים (מותגים, מקומות, שמות טכניים) — Drama 3 95.9%, ראשון בלוח; Eleven v4 מתחתיו.

• הרחבת קיצורים (מספרים, תאריכים, יחידות, סימון) — Eleven v4 94.1%, במקום הראשון; Drama 3 93.6%, במקום השני.

• שימור רצפים מדויקים (קודים, נתיבים, כתובות דוא"ל) — Drama 3 86.3%, במקום השני בטבלה אחרי Ming-3.0-tts עם 90.6%; Eleven v4 78.8%, שהיא הקטגוריה החלשה ביותר שלו בפער ניכר.

• מתאים מבחינה הקשרית — Drama 3 95.3%; Google Gemini 3.8 Flash TTS מוביל את כל הטבלה עם 98.0%.

התבנית שמישה. אם התסריט שלך הוא בעיקרו פרוזה עם קומץ מספרים, הטיפול בקיצורים של Eleven v4 הוא הטוב יותר, וההבדל הכולל הוא פחות משתי נקודות. אם התסריט שלך מכיל מק"טים, מספרי תיקים, כתובות URL, קודי חלקים או כתובות דוא"ל שנקראות בקול, Eleven v4 הוא המודל החלש ביותר בקבוצה המובילה בדיוק בקטגוריה הזו — 78.8% פירושו שבערך אחד מכל חמישה רצפים מדויקים חוזר שגוי — ו-Drama 3 עם 86.3% עדיין לא מושלם, אבל זה ההבדל בין נציג תמיכה שקורא מספר פנייה פעם אחת לבין אחד שקורא אותו פעמיים.

שני תחבירים לאותו כיוון

שני המודלים מאפשרים לך לכתוב את הביצועים ישירות לתוך הסקריפט, והסימונים קרובים מספיק כדי שצוות יוכל להעביר סקריפט בתוך אחר צהריים — מה שהופך את ההבדלים שנותרו למשהו שכדאי להכיר.

ElevenLabs משתמשת בתגיות אודיו מוטבעות — [laughs], [whispers], [sighs], [said angrily in French accent], ואפילו [light rain] — המוכנסות לטקסט במקום שבו יש לשנות את אופן ההגשה. הספק מתעד תגיות אודיו עבור Eleven v4 Turbo, ו-Eleven v4 פועל לפי אותו תחביר; שניהם הפכו לזמינים באופן כללי (GA) ב-2026-09-28. Eleven v4 מגבילה את הקלט ל-10,000 תווים לכל בקשה, בערך עשר דקות של אודיו, ולכן תסריט ארוך צריך להיות מחולק לקטעים בגבולות משפטים ולתפור אותם מחדש, כשהשליטה בלוגיקת התפירה הופכת לבעיה שלך. דיאלוג עם מספר דוברים נתמך, והדגם האח בעל ההשהיה הנמוכה מציין זמן השהיית הסקה חציוני של כ-100 מילישניות, לא כולל תקורת אפליקציה ורשת.

הסימון של Fish Audio הוא מוסכמת סוגריים עם שכבת תגים מזווגים מעליה, המתועדת בעמודי Drama 3 שלה:

• הוראות בסוגריים לפני המילים שאליהן הן מתייחסות — [בקושי מחזיק מעמד, מכריח את עצמו לחייך] — כתובות כפי שבמאי היה מדריך שחקן קול.

• צלילים והפסקות באותם סוגריים — {{1}}[נשימה רועדת], [צחוק קטן]{{/1}} — ממוקמים בדיוק במקום שבו הם מתרחשים.

• תגים מזווגים שמשנים רק את המילים העטופות: whisper, emphasis, soft, fast, slow, stress, forceful. אין בקרה מקבילה ברמת מילה שמתועדת בצד של ElevenLabs.

• הוראות בימוי הכתובות בכל שפה, ללא תלות בשפת התסריט. סוגר הוראת בימוי בסינית לפני שורה באנגלית מתועד ומודגם. זו היכולת שהייתי בודק ראשונה, משום שהיא זו שמשנה מי יכול להפעיל את הכלי: במאי שאינו כותב אנגלית עדיין יכול לביים הצגה באנגלית.

• קיבוע פונמות לכל שפה, עם נתיבי פיניין ורומאג'י מתועדים עבור סינית ויפנית, וכן תג החלפת שפה שהופך ביטוי אחד לשפה אחרת בתוך השורה — מסומן כניסיוני בתיעוד.

• ריבוי דוברים בבקשה אחת: voice id אחד לכל דובר במערך reference_id, כאשר כל תור מתחיל בתג דובר כגון <|speaker:0|>, עם הנחיות ותגים מזווגים שפועלים בתוך כל תור.

משטחי השליטה שונים מהותית, לא רק באיות. ElevenLabs מספק אוצר תגיות מכוון לרגש ולמסירה. Fish Audio מספק רגש בתוספת עיגון פונטי בתוספת החלפת שפה בתוספת היקף ברמת המילה, שקרוב יותר לכלי מאסטרינג מאשר לכלי ביצוע. לעבודות ספרי אודיו ודיבוב, הסט השני הוא השימושי יותר. להעתקה שיווקית שיחתית או אקספרסיבית, התגיות של Eleven נקראות טבעי יותר וציוני ההעדפה מסכימים לכך.

הכסף, על תסריט שבאמת יש לך

השוואות לפי שעה בין שני אלה אינן אמינות, מכיוון שהספקים מחייבים ביחידות שונות וכל מחיר מרמז על קצב דיבור שונה. במקום זאת, בצעו את החישוב על תסריט קבוע. Eleven v4 מציעה מחיר של 80.00 דולר למיליון תווים, כך שתסריט בן 100,000 תווים עולה 8.00 דולר. Drama 3 מציעה מחיר של 50.00 דולר למיליון בתים של UTF-8, ובאנגלית זה קרוב לבית אחד לתו, כך שאותו תסריט עולה 5.00 דולר — ו-1.00 דולר במהלך מבצע ההשקה, שנמשך עד 2026-11-12 09:00 PT במחיר 10.00 דולר למיליון בתים.

זו הצורה הכנה של פער המחירים: דרמה 3 זולה ב-37% לכל תו אנגלי במחיר המחירון, וב-87% זולה יותר במהלך המבצע – ולא 60%, כפי שהשוואה נאיבית של תווים מול תווים בין 80 דולר ל-50 דולר הייתה מרמזת אילו שכחת את היחידות. שני פרטים נוספים שייכים לתקציב ולא להערת השוליים. כיווני סוגריים נספרים כטקסט קלט ומחויבים בתשלום, בשתי הפלטפורמות, כך שתסריט עתיר הוראות בימוי עולה ב-10-25% ממה שמשתמע ממספר המילים שלו. ובפייש אודיו, בקשה שכותרת המודל שלה חסרה או מאויתת שגוי אינה נכשלת – היא נופלת בחזרה ל-s2.1-pro, שבמהלך המבצע מחויב ב-15.00 דולר למיליון בייטים במקום ב-10.00 דולר. שגיאת כתיב בכותרת היא עליית מחיר שקטה של 50%.

מודל העלויות של ElevenLabs שונה מהותית: רמות המנוי כוללות שיבוט, ושיבוט קולי מיידי מתחיל בתוכנית Starter ב-$6, עם שיבוטים מקצועיים מרמת Creator ב-$22. Fish Audio מוכרת שיבוט דרך אותה מערכת קרדיטים כמו יצירה, ו-Drama 3 משתמש באותם קרדיטים כמו S2.1 Pro. אם השיבוט הוא מרכז זרימת העבודה שלך ולא תכונה שאתה משתמש בה פעמיים, ההשוואה היא השוואת תוכניות, ולא השוואה לפי תו.

רישוי, והסעיף שאינו ניתן למשא ומתן מצד אף אחד מהצדדים

אף אחד מהספקים לא יאפשר לך לשכפל אדם ללא הסכמה, ושניהם אומרים זאת במפורש. ההבדל הוא מה קורה למודל עצמו. Eleven v4 הוא API סגור: אתה מקבל רישיון על הפלט, לא על המשקלים, והמגבלה המעשית היא המחירון. Drama 3 מפרסמת את המשקלים ב-Hugging Face כ-fishaudio/drama-3 תחת Fish Audio Community License v1.0 — בחינם למחקר ולשימוש לא-מסחרי, בחינם לשימוש מסחרי מתחת להכנסה שנתית של US$500,000 עבורך ועבור השותפים המסונפים שלך, ודורשת רישיון נפרד מעל לסף זה או אם אתה רוצה להציע את Drama 3 עצמו כשירות באירוח. Artificial Analysis מתייגת אותה כמשקלים פתוחים ללא זכויות שימוש מסחרי מלאות, וזה מדויק.

זה חותך לשני הכיוונים בכל הנוגע להשוואה. אינך יכול להיחלץ ממחירה של ElevenLabs באמצעות אירוח עצמי, ואינך יכול להפוך בשקט לספק TTS על בסיס המשקולות של Fish Audio. אבל אתה יכול, היום, להריץ את Drama 3 על כרטיס של 48 GB ולייצר בעלות שולית של חשמל — וזו שיחת רכש אחרת מ-$8.00 ל-100,000 תווים, והיא זו שמכריעה עבודת קטלוג ארוכת טווח.

איזה מהם לשים מול הראוטר?

לא Fish Audio Drama 3 ולא ElevenLabs Eleven v4 נמנים עם המודלים ב-OrcaRouter. אל Drama 3 מגיעים דרך ה-API של Fish Audio עצמה ומספר פלטפורמות צד שלישי; ואל Eleven v4 דרך ה-API של ElevenLabs. מה שעומד לפני שניהם, בהסדר שהבלוג הזה ממשיך להמליץ עליו, הוא שכבת הניתוב — מפתח אחד על פני כ-200 מודלים במחיר המחירון של הספק ללא תוספת, מעבר אוטומטי לגיבוי, ו-DSL לניתוב שיכול להחזיק שני קולות מאחורי נקודת קריאה אחת.

הסיבה שחשובה להשוואה הספציפית הזו היא שהתשובה הנכונה היא "שניהם, עבור משפטים שונים". צינור הפקת דרמה רוצה את Drama 3 על השורות הנושאות שמות עצם פרטיים וקודים, והוא עשוי עדיין לרצות את Eleven v4 בקטעים שבהם המאזינים שופטים את הקול עצמו. מיזוג מודלים וה-DSL לניתוב מאפשרים לצינור להתייחס לכך כממשק אחד עם בחירה לכל קטע, במקום כשני אינטגרציות, שתי טבלאות תעריפים ושתי קבוצות של התנהגות ניסיון חוזר. כאשר ספק משנה מחיר, ההעברה הישירה משמעה שהשינוי מגיע לצד שלך באותו יום ולא בחידוש החוזה הבא — מה שחשוב כאן יותר מהרגיל, מפני שהתעריף המבצעי של Fish Audio מסתיים ב-2026-11-12 וההשוואה האפקטיבית משתנה בין לילה.

לקורא שצריך להחליט רק על אחת: Eleven v4 אם התוצר נשפט לפי איך שהוא נשמע והתסריט כתוב בפרוזה רגילה; Drama 3 אם התוצר חייב להיות מדויק בשמות, במספרים ובקודים, אם העבודה ארוכה ורגישה למחיר, אם אתה רוצה את המשקלים, או אם האדם שכותב את הבימוי לא כותב אנגלית. הארנה אומרת ש-Eleven נשמע טוב יותר. לוח ההגייה אומר ש-Drama מבטא את זה טוב יותר. שניהם אותה חבילת מבחנים, והשאלה המועילה היא מאיזו משתי הכשלים האלה ההפקה שלך סובלת בפועל.