Fish Audio Drama 3 vs Eleven v4: Satu Model Memenangkan Suara Preferensi, yang Lain Memenangkan Kata-kata

ElevenLabs Eleven v4 dan Fish Audio Drama 3 tidak sepakat tentang tujuan skor text-to-speech. Di Provider Voice Arena milik Artificial Analysis, Eleven v4 berada di posisi kedua dengan Elo 1.334 dan Drama 3 di posisi keenam dengan 1.278; di Controlled Voice Arena, tempat keduanya dinilai terhadap suara referensi yang sama, Eleven v4 berada di posisi keempat dengan 1.156 dan Drama 3 di posisi kedua belas dengan 1.085. Itu adalah selisih 56 dan 71 poin, keduanya jauh di luar batas noise, dan keduanya menyatakan hal yang sama: pendengar lebih menyukai Eleven v4. Lalu lab yang sama menanyakan kepada peninjau manusia apakah setiap kata sulit dalam sebuah kalimat benar-benar diucapkan dengan benar, dan Drama 3 memperoleh 93,2% sedangkan Eleven v4 91,7%, dengan keduanya berada di ujung berlawanan dari kategori yang menentukan apakah nama merek, angka, atau kode suku cadang keluar utuh. Selisih preferensi itu nyata dan selisih pengucapan juga nyata, dan tidak ada satu angka pun yang menyelaraskan keduanya.

Kesenjangan yang tidak menutup, dan kesenjangan yang menutup.

Mulailah dari apa yang belum hilang dari Eleven v4. Model ini mencapai ketersediaan umum pada 2026-09-28, empat minggu setelah model Fish Audio dirilis, dan sejak itu ia bertahan di dua posisi teratas penyedia suara melalui setiap pembaruan papan peringkat. Selisih saat ini terhadap Drama 3 adalah 56 Elo pada suara penyedia dan 71 pada suara terkontrol — dan papan terkontrol adalah uji yang lebih sulit, karena papan itu mengeluarkan katalog suara masing-masing vendor dari perbandingan. Apa pun makna keunggulan Drama 3 di antara model open-weights, itu tidak berarti Drama 3 terdengar lebih baik daripada Eleven v4 bagi pendengar buta, dan perbandingan apa pun yang menyiratkan sebaliknya sedang menjual sesuatu.

Yang dimiliki Drama 3 adalah rincian per kategori pada benchmark Ketahanan Pengucapan Bahasa Inggris milik Artificial Analysis, di mana 31 model dinilai dan posisi teratas ditempati bersama:

• Keseluruhan — Drama 3 93,2%, berbagi posisi pertama dengan Ming-3.0-tts; Eleven v4 91,7%; Eleven v4 Turbo 90,1%.

• Istilah mandiri (merek, tempat, nama teknis) — Drama 3 95,9%, peringkat pertama di papan; Eleven v4 di bawahnya.

• Memperluas singkatan (angka, tanggal, satuan, notasi) — Eleven v4 94,1%, pertama; Drama 3 93,6%, kedua.

• Mempertahankan urutan persis (kode, path, email) — Drama 3 86,3%, peringkat kedua di papan peringkat di belakang Ming-3.0-tts pada 90,6%; Eleven v4 78,8%, yang merupakan kategori terlemahnya dengan selisih yang jauh.

• Sesuai konteks — Drama 3 95,3%; Google Gemini 3.8 Flash TTS memimpin seluruh papan dengan 98,0%.

Polanya dapat digunakan. Jika naskah Anda sebagian besar berupa prosa dengan segelintir angka, penanganan singkatan Eleven v4 adalah pilihan yang lebih baik dan selisih keseluruhannya kurang dari dua poin. Jika naskah Anda berisi SKU, nomor kasus, URL, kode suku cadang, atau alamat email yang dibacakan dengan lantang, Eleven v4 adalah model terlemah di kelompok teratas tepat pada kategori tersebut — 78,8% berarti kira-kira satu dari lima urutan persis akan keluar salah — dan Drama 3 pada 86,3% masih belum sempurna, tetapi itulah perbedaan antara agen dukungan yang membaca nomor tiket sekali dan agen yang membacanya dua kali.

Dua sintaks untuk arah yang sama

Kedua model memungkinkan Anda menuliskan performa ke dalam skrip, dan notasinya cukup mirip sehingga sebuah tim dapat meng-porting skrip dalam waktu satu sore — yang membuat perbedaan yang tersisa layak untuk diketahui.

ElevenLabs menggunakan tag audio inline — [laughs], [whispers], [sighs], [said angrily in French accent], bahkan [light rain] — yang disisipkan ke dalam teks di posisi yang seharusnya ada perubahan penyampaian. Vendor mendokumentasikan tag audio untuk Eleven v4 Turbo, dan Eleven v4 mengikuti sintaks yang sama; keduanya resmi tersedia (GA) pada 2026-09-28. Eleven v4 membatasi input maksimal 10.000 karakter per permintaan, sekitar sepuluh menit audio, sehingga skrip berdurasi panjang harus dipotong per batas kalimat lalu disambung, dan logika penyambungannya menjadi tanggung jawab Anda. Dialog multi-pembicara didukung, dan versi saudara dengan latensi rendah mengklaim latensi inferensi median sekitar 100 milidetik, tidak termasuk overhead aplikasi dan jaringan.

Notasi Fish Audio adalah konvensi tanda kurung dengan lapisan tag berpasangan di atasnya, yang didokumentasikan di halaman Drama 3 miliknya sendiri:

• Arahan dalam tanda kurung ditempatkan sebelum kata-kata yang diaturnya — [nyaris tak kuat menahan diri, memaksakan senyum] — ditulis seperti cara seorang sutradara memberi arahan kepada pengisi suara.

• Suara dan jeda dalam tanda kurung yang sama — [napas gemetar], [tawa kecil] — ditempatkan persis di tempat terjadinya.

• Tag berpasangan yang hanya mengubah kata-kata yang dibungkus: whisper, emphasis, soft, fast, slow, stress, forceful. Tidak ada kontrol per kata yang setara yang didokumentasikan di sisi ElevenLabs.

• Arahan yang ditulis dalam bahasa apa pun, terlepas dari bahasa naskahnya. Tanda arah dalam bahasa Mandarin di depan baris berbahasa Inggris didokumentasikan dan didemonstrasikan. Inilah kemampuan yang pertama-tama akan saya uji, karena inilah yang mengubah siapa yang dapat mengoperasikan alat ini: sutradara yang tidak menulis dalam bahasa Inggris tetap dapat menyutradarai pertunjukan berbahasa Inggris.

• Penyematan fonem per bahasa, dengan jalur pinyin dan romaji yang didokumentasikan untuk bahasa Mandarin dan Jepang, plus tag pengalih bahasa yang mengalihkan satu frasa ke bahasa lain di tengah baris — ditandai eksperimental dalam dokumentasi.

• Multi-pembicara dalam satu permintaan: satu voice id per pembicara dalam array reference_id, setiap giliran dimulai dengan tag speaker seperti <|speaker:0|>, dengan arahan dan tag berpasangan yang berfungsi di dalam setiap giliran.

Permukaan kontrolnya benar-benar berbeda jenis, bukan sekadar berbeda penulisan. ElevenLabs memberi Anda kosakata tag yang disesuaikan untuk emosi dan penyampaian. Fish Audio memberi Anda emosi plus penetapan fonetik plus pergantian bahasa plus cakupan per kata, yang lebih mirip alat mastering daripada alat performa. Untuk pekerjaan audiobook dan dubbing, set kedua itu yang lebih berguna. Untuk naskah pemasaran percakapan atau ekspresif, tag Eleven terasa lebih alami dan skor preferensinya mendukung.

Uangnya, pada skrip yang benar-benar Anda miliki

Perbandingan per jam antara keduanya tidak dapat diandalkan, karena vendor menagih dalam unit yang berbeda dan menyiratkan laju bicara yang berbeda. Sebagai gantinya, lakukan perhitungan pada skrip tetap. Eleven v4 menetapkan tarif $80,00 per juta karakter, jadi skrip 100.000 karakter biayanya $8,00. Drama 3 menetapkan tarif $50,00 per juta byte UTF-8, dan bahasa Inggris kurang lebih satu byte per karakter, sehingga skrip yang sama biayanya $5,00 — dan $1,00 selama promosi peluncuran, yang berlangsung hingga 2026-11-12 09:00 PT dengan tarif $10,00 per juta byte.

Itulah bentuk jujur dari selisih harga: Drama 3 37% lebih murah per karakter bahasa Inggris pada harga daftar dan 87% lebih murah selama promosi, bukan 60% yang mungkin disiratkan oleh perbandingan naif karakter-dengan-karakter antara $80 dan $50 jika Anda lupa satuannya. Dua detail tambahan seharusnya masuk ke anggaran, bukan ke catatan kaki. Arahan dalam tanda kurung dihitung sebagai teks masukan dan ditagih, di kedua platform, sehingga naskah dengan arahan yang padat biayanya 10-25% lebih tinggi daripada yang tersirat dari jumlah katanya. Dan di Fish Audio, permintaan yang header modelnya hilang atau salah eja tidak gagal — ia beralih ke s2.1-pro, yang selama promosi menagih $15.00 per juta byte alih-alih $10.00. Salah ketik pada header adalah kenaikan harga 50% yang senyap.

Model biaya ElevenLabs berbeda secara mendasar: paket langganan mencakup kloning, dan kloning suara instan dimulai dari paket Starter seharga $6, dengan kloning profesional mulai dari tier Creator seharga $22. Fish Audio menjual kloning melalui sistem kredit yang sama dengan generasi, dan Drama 3 menggunakan kredit yang sama dengan S2.1 Pro. Jika kloning menjadi pusat alur kerja Anda, bukan fitur yang hanya Anda gunakan sesekali, perbandingannya adalah perbandingan paket, bukan perbandingan per karakter.

Lisensi, dan klausul yang tidak dapat dinegosiasikan oleh kedua belah pihak

Kedua vendor tidak akan mengizinkan Anda mengkloning seseorang tanpa persetujuan, dan keduanya menyatakan hal itu secara eksplisit. Perbedaannya terletak pada apa yang terjadi pada model itu sendiri. Eleven v4 adalah API tertutup: Anda melisensikan outputnya, bukan bobotnya, dan kendala praktisnya adalah daftar tarif. Drama 3 memublikasikan bobot di Hugging Face sebagai fishaudio/drama-3 di bawah Fish Audio Community License v1.0 — gratis untuk riset dan penggunaan nonkomersial, gratis untuk penggunaan komersial dengan pendapatan tahunan di bawah US$500,000 bagi Anda dan afiliasi Anda, serta mewajibkan lisensi terpisah di atas ambang tersebut atau jika Anda ingin menawarkan Drama 3 itu sendiri sebagai layanan hosting. Artificial Analysis memberinya label bobot terbuka tanpa hak penggunaan komersial penuh, yang akurat.

Untuk perbandingan, hal itu berlaku dua arah. Anda tidak bisa lepas dari harga ElevenLabs hanya dengan melakukan self-host, dan Anda tidak bisa diam-diam menjadi penyedia TTS dengan bobot Fish Audio. Tetapi, hari ini, Anda bisa menempatkan Drama 3 pada kartu 48 GB dan menghasilkan audio dengan biaya marginal sebesar listrik — yang merupakan diskusi pengadaan berbeda dari $8.00 per 100,000 karakter, dan itulah yang menentukan pekerjaan katalog jangka panjang.

Mana yang harus diletakkan di depan router

Baik Fish Audio Drama 3 maupun ElevenLabs Eleven v4 bukanlah salah satu model di OrcaRouter. Drama 3 diakses melalui API milik Fish Audio sendiri dan beberapa platform pihak ketiga; Eleven v4 melalui API ElevenLabs. Yang ada di depan keduanya, dalam susunan yang terus direkomendasikan blog ini, adalah lapisan routing — satu kunci untuk ~200 model dengan harga daftar penyedia tanpa markup, failover otomatis, dan DSL routing yang dapat menampung dua suara di balik satu titik panggilan.

Alasan yang penting untuk perbandingan khusus ini adalah bahwa jawaban yang benar adalah "keduanya, untuk kalimat yang berbeda". Pipeline drama produksi menginginkan Drama 3 pada baris yang memuat kata benda khusus dan kode, dan mungkin tetap menginginkan Eleven v4 pada bagian ketika pendengar menilai suaranya sendiri. Fusi model dan DSL perutean memungkinkan pipeline menangani hal itu sebagai satu antarmuka dengan pilihan per segmen, bukan sebagai dua integrasi, dua tabel tarif, dan dua set perilaku percobaan ulang. Ketika vendor menyesuaikan harga, mekanisme penerusan berarti perubahan tersebut sampai ke sisi Anda pada hari yang sama, bukan pada pembaruan kontrak berikutnya — yang di sini lebih penting daripada biasanya, karena tarif promosi Fish Audio berakhir pada 2026-11-12 dan perbandingan efektifnya berubah dalam semalam.

Bagi pembaca yang hanya perlu memilih satu: Eleven v4 jika hasil akhir dinilai dari cara terdengarnya dan naskahnya ditulis dalam prosa biasa; Drama 3 jika hasil akhir harus benar untuk nama, angka, dan kode, jika pekerjaannya berformat panjang dan peka terhadap harga, jika Anda menginginkan bobotnya, atau jika orang yang menulis arahan tidak menulis dalam bahasa Inggris. Arena mengatakan Eleven terdengar lebih baik. Papan pengucapan mengatakan Drama mengucapkannya lebih baik. Keduanya adalah rangkaian tolok ukur yang sama, dan pertanyaan yang berguna adalah kegagalan mana dari kedua hal itu yang sebenarnya dialami produksi Anda.