Fish Audio Drama 3 vs Eleven v4: un modello vince il voto di preferenza, l'altro vince le parole

ElevenLabs {{1}}Eleven v4{{/1}} e {{2}}Fish Audio Drama 3{{/2}} non concordano su a cosa serva un punteggio di sintesi vocale. Su {{3}}Provider Voice Arena di Artificial Analysis{{/3}}, {{1}}Eleven v4{{/1}} è secondo con un Elo di 1.334 e {{2}}Drama 3{{/2}} sesto a 1.278; sulla {{4}}Controlled Voice Arena{{/4}}, dove entrambi sono valutati rispetto alle stesse voci di riferimento, {{1}}Eleven v4{{/1}} è quarto a 1.156 e {{2}}Drama 3{{/2}} dodicesimo a 1.085. Si tratta di divari di 56 e 71 punti, entrambi ben oltre il rumore, ed entrambi dicono la stessa cosa: gli ascoltatori preferiscono {{1}}Eleven v4{{/1}}. Poi lo stesso laboratorio chiede a revisori umani se ogni parola difficile in una frase sia stata effettivamente pronunciata correttamente, e {{2}}Drama 3{{/2}} ottiene 93,2% contro il 91,7% di {{1}}Eleven v4{{/1}}, con i due agli estremi opposti della categoria che decide se un nome di marca, una cifra o un codice di parte restano intatti. Il divario di preferenza è reale, e lo è anche quello di pronuncia, e nessun singolo numero li riconcilia.

Il divario che non si chiude, e quello che sì.

Parti da ciò che Eleven v4 non ha perso. È passato alla disponibilità generale il 2026-09-28, quattro settimane dopo il rilascio del modello di Fish Audio, e da allora ha mantenuto i primi due posti tra le voci dei provider in ogni aggiornamento della classifica. Lo scarto attuale su Drama 3 è di 56 Elo sulle voci dei provider e di 71 sulle voci controllate — e la classifica controllata è il test più difficile, perché rimuove dal confronto il catalogo vocale di ciascun fornitore. Qualunque cosa significhi il vantaggio di Drama 3 tra i modelli open-weights, non significa che, in un ascolto cieco, Drama 3 suoni meglio di Eleven v4, e qualsiasi confronto che lasci intendere il contrario sta cercando di vendere qualcosa.

Ciò che offre Drama 3 è la ripartizione categoria per categoria sul benchmark English Pronunciation Robustness di Artificial Analysis, in cui vengono valutati 31 modelli e il primo posto è condiviso:

• Complessivo — Drama 3 93,2%, a pari merito al primo posto con Ming-3.0-tts; Eleven v4 91,7%; Eleven v4 Turbo 90,1%.

• Termini autonomi (marchi, luoghi, nomi tecnici) — Drama 3 95,9%, primo in classifica; Eleven v4 subito sotto.

Espansione delle forme abbreviate (numeri, date, unità, notazione) — Eleven v4 94,1%, al primo posto; Drama 3 93,6%, al secondo posto.

Conservazione di sequenze esatte (codici, percorsi, email) — Drama 3 86,3%, secondo in classifica dietro a Ming-3.0-tts al 90,6%; Eleven v4 78,8%, che è la sua categoria più debole di gran lunga.

• Contestualmente appropriato — Drama 3 95,3%; Google Gemini 3.8 Flash TTS guida l'intera classifica al 98,0%.

Il pattern è utilizzabile. Se il tuo script è prevalentemente prosa con una manciata di numeri, la gestione delle forme abbreviate di Eleven v4 è quella migliore e la differenza complessiva è inferiore a due punti. Se il tuo script contiene SKU, numeri di pratica, URL, codici parte o indirizzi email letti ad alta voce, Eleven v4 è il modello più debole della fascia alta proprio in quella categoria — 78,8% significa che circa una sequenza esatta su cinque viene restituita in modo errato — e Drama 3 all'86,3% è ancora imperfetto, ma è la differenza tra un agente di supporto che legge un numero di ticket una volta e uno che lo legge due volte.

Due sintassi per la stessa direzione

Entrambi i modelli consentono di scrivere la performance nello script, e le notazioni sono abbastanza simili da permettere a un team di trasferire uno script in un pomeriggio — il che rende le differenze che restano degne di essere conosciute.

ElevenLabs utilizza tag audio inline — [laughs], [whispers], [sighs], [said angrily in French accent], perfino [light rain] — inseriti nel testo laddove la resa deve cambiare. Il fornitore documenta i tag audio per Eleven v4 Turbo, e Eleven v4 segue la stessa sintassi; entrambi sono diventati disponibili a livello generale (GA) il 2026-09-28. Eleven v4 limita l'input a 10.000 caratteri per richiesta, pari a circa dieci minuti di audio, quindi un copione di lunga durata deve essere suddiviso in blocchi ai confini delle frasi e ricomposto, con la logica di ricomposizione che diventa un tuo problema. Il dialogo multi-speaker è supportato, e il modello gemello a bassa latenza dichiara una latenza di inferenza mediana di circa 100 millisecondi, esclusi l'overhead dell'applicazione e della rete.

La notazione di Fish Audio è una convenzione tra parentesi quadre con uno strato di tag abbinati sovrapposto, documentata nelle sue stesse pagine di Drama 3:

• Indicazioni tra parentesi prima delle parole a cui si riferiscono — [trattenendosi a stento, forzando un sorriso] — scritte come un regista darebbe istruzioni a un doppiatore.

• Suoni e pause nelle stesse parentesi — [respiro tremante], [risatina] — posizionati esattamente dove si verificano.

• Tag in coppia che modificano solo le parole racchiuse: whisper, emphasis, soft, fast, slow, stress, forceful. Non esiste un controllo per-parola equivalente documentato lato ElevenLabs.

• Indicazioni scritte in qualunque lingua, indipendentemente dalla lingua del copione. Una parentesi di regia in cinese davanti a una battuta in inglese è documentata e dimostrata. Questa è la capacità che metterei alla prova per prima, perché è quella che cambia chi può usare lo strumento: un regista che non scrive in inglese può comunque dirigere uno spettacolo in inglese.

• Fissaggio dei fonemi per lingua, con percorsi pinyin e romaji documentati per cinese e giapponese, più un tag di cambio lingua che converte una frase in un’altra lingua a metà riga — contrassegnato come sperimentale nella documentazione.

• Più parlanti in un'unica richiesta: un voice id per parlante in un array reference_id, con ogni turno che inizia con un tag del parlante come <|speaker:0|>, e indicazioni e tag abbinati che funzionano all'interno di ogni turno.

Le superfici di controllo sono davvero diverse per natura, non solo nella forma. ElevenLabs offre un vocabolario di tag calibrato su emozione e resa. Fish Audio offre emozione, ancoraggio fonetico, cambio di lingua e applicazione per singola parola, il che lo avvicina più a uno strumento di mastering che a uno di performance. Per il lavoro su audiolibri e doppiaggio, il secondo set è quello più utile. Per testi marketing conversazionali o espressivi, i tag di Eleven suonano più naturali e i punteggi di preferenza concordano.

I soldi, su uno script che hai davvero

I confronti su base oraria tra questi due non sono affidabili, perché i fornitori fatturano in unità diverse e implicano velocità di parlato diverse. Fai invece i calcoli su un copione fisso. Eleven v4 è a listino a $80,00 per milione di caratteri, quindi un copione da 100.000 caratteri costa $8,00. Drama 3 è a listino a $50,00 per milione di byte UTF-8, e per l'inglese si ha quasi un byte per carattere, quindi lo stesso copione costa $5,00 — e $1,00 durante la promozione di lancio, valida fino al 2026-11-12 09:00 PT, a $10,00 per milione di byte.

Questa è la forma onesta della differenza di prezzo: Drama 3 costa il 37% in meno per carattere inglese a listino e l'87% in meno durante la promozione, non il 60% che suggerirebbe un ingenuo confronto caratteri contro caratteri di 80 $ contro 50 $ se si dimenticassero le unità. Altri due dettagli appartengono al budget piuttosto che alla nota a piè di pagina. Le indicazioni tra parentesi quadre contano come testo di input e vengono fatturate, su entrambe le piattaforme, quindi una sceneggiatura ricca di indicazioni costa il 10-25% in più di quanto implichi il suo conteggio delle parole. E su Fish Audio, una richiesta la cui intestazione del modello è assente o scritta male non fallisce — ricade su s2.1-pro, che durante la promozione fattura 15,00 $ per milione di byte invece di 10,00 $. Un errore di battitura in un'intestazione è un silenzioso aumento di prezzo del 50%.

Il modello di costo di ElevenLabs è diverso per natura: i livelli di abbonamento includono il clonaggio, e il clonaggio vocale istantaneo parte dal piano Starter da $6, con cloni professionali dal livello Creator da $22. Fish Audio vende il clonaggio tramite lo stesso sistema di crediti della generazione, e Drama 3 usa gli stessi crediti di S2.1 Pro. Se il clonaggio è il centro del tuo flusso di lavoro anziché una funzione che usi due volte, il confronto è tra piani, non per carattere.

Licenze, e la clausola che non è negoziabile da nessuna delle due parti

Nessuno dei due fornitori ti consentirà di clonare una persona senza consenso, ed entrambi lo dichiarano esplicitamente. La differenza sta in ciò che accade al modello stesso. Eleven v4 è un'API chiusa: viene concessa in licenza l'output, non i pesi, e il vincolo pratico è il listino prezzi. Drama 3 pubblica i pesi su Hugging Face come fishaudio/drama-3 con la Fish Audio Community License v1.0: gratuiti per ricerca e uso non commerciale, gratuiti per uso commerciale sotto i 500.000 USD di ricavi annui per te e le tue società affiliate, e richiedono una licenza separata sopra tale soglia o se desideri offrire Drama 3 stesso come servizio in hosting. Artificial Analysis lo classifica come pesi aperti senza pieni diritti di uso commerciale, il che è accurato.

In un confronto, questo vale in entrambe le direzioni. Non puoi aggirare il prezzo di ElevenLabs con il self-hosting, né trasformarti silenziosamente in un fornitore TTS sui pesi di Fish Audio. Ma oggi puoi mettere Drama 3 su una scheda da 48 GB e generare a un costo marginale pari all'elettricità — una discussione sull'approvvigionamento diversa da $8.00 per 100.000 caratteri, ed è quella che decide i lavori di catalogazione a lungo termine.

Quale mettere davanti al router

Né Fish Audio Drama 3 né ElevenLabs Eleven v4 è uno dei modelli su OrcaRouter. A Drama 3 si accede tramite l'API proprietaria di Fish Audio e diverse piattaforme di terze parti; a Eleven v4 tramite quella di ElevenLabs. Ciò che sta davanti a entrambi, nella configurazione che questo blog continua a raccomandare, è il layer di routing — una chiave unica su ~200 modelli al prezzo di listino del provider, senza ricarichi, failover automatico e un DSL di routing che può tenere due voci dietro un unico punto di chiamata.

Il motivo che conta per questo specifico confronto è che la risposta corretta è "entrambi, per frasi diverse". Una pipeline di produzione per drammi vuole Drama 3 sulle battute che contengono nomi propri e codici, e può comunque volere Eleven v4 sui passaggi in cui sono gli ascoltatori a giudicare la voce stessa. Fusione dei modelli e il DSL di routingconsentono a una pipeline di gestire tutto ciò come un'unica interfaccia con una scelta per segmento, anziché come due integrazioni, due tabelle di tariffe e due insiemi di comportamenti di retry. Quando un fornitore modifica un prezzo, il pass-through fa sì che la modifica arrivi sul tuo lato lo stesso giorno, anziché al rinnovo contrattuale successivo — il che qui conta più del solito, perché la tariffa promozionale di Fish Audio scade il 2026-11-12 e il confronto effettivo cambia da un giorno all'altro.

Per un lettore che deve sceglierne solo uno: Eleven v4 se il prodotto finale viene giudicato in base a come suona e il copione è scritto in prosa ordinaria; Drama 3 se il prodotto finale deve essere corretto su nomi, numeri e codici, se il lavoro è di lunga durata e sensibile al prezzo, se volete i pesi, oppure se chi scrive la regia non scrive in inglese. L'arena dice che Eleven suona meglio. La board della pronuncia dice che Drama lo pronuncia meglio. Entrambe sono la stessa suite di benchmark, e la domanda utile è da quale di questi due difetti soffre davvero la vostra produzione.