Fish Audio Drama 3 vs Eleven v4：一方のモデルは選好投票で勝ち、もう一方は言葉で勝つ

ElevenLabsのEleven v4とFish AudioのDrama 3は、テキスト読み上げのスコアが何を評価するためのものかについて見解を異にしている。Artificial AnalysisのProvider Voice Arenaでは、Eleven v4がElo 1,334で2位、Drama 3が1,278で6位。両者とも同じ参照音声に対して採点されるControlled Voice Arenaでは、Eleven v4が1,156で4位、Drama 3が1,085で12位だ。これは56ポイントと71ポイントの差で、どちらもノイズの範囲を十分に超えており、しかも両方が同じことを示している。聴取者はEleven v4を好むということだ。次に同じラボは、文中の各難読語が実際に正しく発音されたかどうかを人間のレビュアーに尋ねる。するとDrama 3は93.2%を記録し、Eleven v4の91.7%を上回る。ブランド名、数値、部品コードがそのまま正しく出力されるかどうかを決めるカテゴリで、両者は両端に位置している。好みの差は現実であり、発音の差も同様に現実だが、単一の数値で両者を整合させることはできない。

閉じないギャップと、閉じるギャップ。

まず、Eleven v4 が失っていないものから始めよう。Eleven v4 は 2026-09-28 に一般提供を開始し、それは Fish Audio のモデルが出荷されてから4週間後のことだった。そして以降、あらゆるリーダーボード更新を通じて、プロバイダーボイス部門の上位2枠を維持し続けている。現在の Drama 3 との差は、プロバイダーボイスで 56 Elo、コントロールボイスで 71 Elo だ。しかもコントロールボードのほうがより厳しいテストである。なぜなら、各ベンダー自身の音声カタログを比較対象から外しているからだ。Drama 3 がオープンウェイトモデルの中でリードしていることの意味が何であれ、それはブラインド聴取者にとって Drama 3 が Eleven v4 より良い音に聞こえるという意味ではない。そう示唆する比較は、何かを売り込んでいるにすぎない。

Drama 3が提供しているのは、Artificial AnalysisのEnglish Pronunciation Robustnessベンチマークにおけるカテゴリー別の内訳です。そこでは31モデルが評価され、首位は同点です：

• 総合 — Drama 3 93.2%、Ming-3.0-ttsと同率首位、Eleven v4 91.7%、Eleven v4 Turbo 90.1%。

• 単独用語（ブランド名、地名、技術名）— Drama 3 が 95.9% でボード首位、Eleven v4 はその下。

• 略記（数字、日付、単位、表記）の展開 — Eleven v4 94.1%、1位、Drama 3 93.6%、2位。

• 正確なシーケンス（コード、パス、メールアドレス）の保持 — Drama 3 は 86.3% で、Ming-3.0-tts の 90.6% に次ぐ 2 位。Eleven v4 は 78.8% で、これは同製品のカテゴリの中で群を抜いて最も弱い分野です。

• 文脈に適した — Drama 3 は95.3%、Google Gemini 3.8 Flash TTS は98.0%で全体の首位を占めています。

そのパターンは使用できます。スクリプトが主に文章で、数字が少ししかないなら、Eleven v4 の略記処理の方が優れており、全体的な差は2ポイント未満です。スクリプトに SKU、ケース番号、URL、部品コード、メールアドレスが読み上げられる形で含まれている場合、Eleven v4 はまさにそのカテゴリでトップグループ中最弱のモデルです — 78.8% は、正確なシーケンスのおよそ5回に1回が誤って返ってくることを意味します — そして Drama 3 の 86.3% も完璧ではありませんが、それはサポートエージェントがチケット番号を一度読むか二度読むかの違いです。

同じ方向性に対する2つの構文

どちらのモデルでもパフォーマンスをスクリプトに書き込むことができ、記法も十分に似ているため、チームは午後だけでスクリプトを移植できる——だからこそ、残る違いは知っておく価値がある。

ElevenLabsはインラインオーディオタグを使用します — [laughs]、[whispers]、[sighs]、[said angrily in French accent]、さらには[light rain] — 話し方を変えたい位置のテキストに挿入します。ベンダーのドキュメントにはEleven v4 Turbo向けのオーディオタグが記載されており、Eleven v4も同じ構文に従います。両方とも2026-09-28にGA（一般提供）となりました。Eleven v4は1リクエストあたりの入力を最大10,000文字、およそ10分の音声に制限しているため、長尺のスクリプトは文の境界で分割してつなぎ合わせる必要があり、そのつなぎ合わせロジックはあなたの側で対応する課題になります。複数話者の対話はサポートされており、低遅延の兄弟モデルは、アプリケーションとネットワークのオーバーヘッドを除いて中央値約100ミリ秒の推論レイテンシをうたっています。

Fish Audioの記法は、ブラケット表記を基盤とし、その上にペアタグ層を重ねた規約で、専用のDrama 3ページで解説されています：

• それが修飾する語の前に置かれる角括弧付きの演技指示——[かろうじて平静を保ち、無理に笑顔を作る]——監督が声優に演技指導をするときのように書かれたもの。

• 音や間も同じ括弧内に — [荒い息]、[小さな笑い] — 実際に起こるその位置に正確に置きます。

• 囲まれた単語だけを変化させるペアタグ: whisper、emphasis、soft、fast、slow、stress、forceful。ElevenLabs 側では、単語単位の制御に相当するものはドキュメント化されていません。

• 台本の言語とは無関係に、あらゆる言語で書かれた演出指示。英語の台詞の前に中国語の演出指示を角括弧で置く例が、文書化され実演されている。私が最初に試したいのはこの機能だ。なぜなら、これはツールを使える人を変えるからだ。英語を書けない演出家でも、英語の上演を演出できる。

• 言語ごとの音素ピン留め。中国語と日本語向けに文書化されたピンイン経路とローマ字経路を備え、さらに行の途中で1つのフレーズを別の言語に切り替える言語切替タグを備えています — ドキュメントでは実験的と記載されています。

• 単一リクエストでのマルチスピーカー: reference_id 配列で話者ごとに 1 つの voice id を指定し、各ターンは <|speaker:0|> のような話者タグで始まり、ディレクションとペアタグは各ターン内で機能します。

コントロール面は、単なる表記の違いではなく、本質的に種類が異なります。ElevenLabsは、感情と話し方に合わせて調整されたタグ語彙を提供します。Fish Audioは、感情に加えて発音の固定、言語切り替え、単語単位のスコープを提供し、これは演技用ツールというよりマスタリングツールに近いものです。オーディオブックや吹き替えの作業では、後者のセットのほうが有用です。会話調や表現豊かなマーケティングコピーでは、Elevenのタグのほうが自然に読め、選好スコアもそれを裏付けています。

お金は、実際に手元にある脚本次第だ

これら2つの時間当たりの比較は信頼できません。ベンダーが異なる単位で請求し、異なる話速を前提としているからです。代わりに固定のスクリプトで計算してください。Eleven v4は100万文字あたり$80.00なので、10万文字のスクリプトは$8.00かかります。Drama 3は100万UTF-8バイトあたり$50.00で、英語はほぼ1文字あたり1バイトなので、同じスクリプトは$5.00です。さらにローンチプロモーション中は$1.00（100万バイトあたり$10.00）で、プロモーションは2026-11-12 09:00 PTまでです。

価格差の実態はこうだ。Drama 3は定価で英語1文字あたり37%安く、プロモーション期間中は87%安い。単位を忘れて$80と$50を文字数対文字数で単純比較すれば示唆される60%ではない。さらに2つの詳細は脚注ではなく予算に織り込むべきだ。括弧書きの指示は入力テキストとして数えられ、両プラットフォームで課金されるため、指示の多い台本は語数から想定されるより10〜25%多くかかる。またFish Audioでは、modelヘッダーが欠落または綴り違いのリクエストは失敗せず、s2.1-proにフォールバックする。これはプロモーション期間中、100万バイトあたり$10.00ではなく$15.00で課金される。ヘッダーの誤字は、気づかないうちの50%値上げになる。

ElevenLabsのコストモデルは性質が異なります。サブスクリプションの各ティアにクローニングが含まれ、インスタント音声クローニングは$6のStarterプランから、プロフェッショナルクローンは$22のCreatorティアから利用できます。Fish Audioはクローニングを生成と同じクレジットシステムで販売し、Drama 3はS2.1 Proと同じクレジットを使用します。クローニングが二度だけ使う機能ではなくワークフローの中心であるなら、比較はプランの比較であり、文字単価の比較ではありません。

ライセンス供与、そして双方にとって譲歩の余地がない条項

どちらのベンダーも、同意なしに人物をクローンすることを許可しておらず、両社ともそれを明言しています。違いは、モデル自体に何が起こるかにあります。Eleven v4 はクローズド API であり、ライセンスの対象は出力であって重みではなく、実用上の制約は料金表にあります。Drama 3 は Hugging Face 上で fishaudio/drama-3 として Fish Audio Community License v1.0 の下で重みを公開しています。研究および非商用利用は無料、あなたと関連会社の年間収益が US$500,000 未満の商用利用は無料、その閾値を超える場合、または Drama 3 自体をホスト型サービスとして提供したい場合は別途ライセンスが必要です。Artificial Analysis はこれを、完全な商用利用権を伴わないオープンウェイトと分類しており、それは正確です。

比較で言えば、これは諸刃の剣だ。ElevenLabs の価格からセルフホストによって逃げ出すことはできないし、Fish Audio の重みを使って知らぬ間に TTS プロバイダーになることもできない。だが今日、Drama 3 を 48 GB のカードに載せ、電気代という限界費用で生成することはできる——これは 100,000 文字あたり $8.00 という話とは別の調達上の議論であり、長期にわたるカタログ作業を決めるのはこちらのほうだ。

どちらをルーターの前に置けばいいですか

Fish Audio Drama 3もElevenLabs Eleven v4も、OrcaRouter上のモデルではありません。Drama 3はFish Audio自身のAPIといくつかのサードパーティプラットフォームを通じて利用でき、Eleven v4はElevenLabsのAPIを通じて利用できます。このブログが繰り返し推奨している構成で、両者の前段に位置するのがルーティングレイヤーです——プロバイダーの定価（マークアップなし）で約200モデルに対応する1つのキー、自動フェイルオーバー、そして1つの呼び出し箇所の背後に2つのボイスを保持できるルーティングDSL。

この特定の組み合わせで重要な理由は、正解が「文によって両方」だからです。制作ドラマのパイプラインでは、固有名詞やコードを含む行にはDrama 3を望み、リスナーが声そのものを判断する箇所には依然としてEleven v4を望むかもしれません。モデル融合とルーティングDSLを使えば、パイプラインはそれを、二つの統合、二つの料金表、二つの再試行動作としてではなく、セグメントごとの選択を備えた一つのインターフェースとして扱えます。ベンダーが価格を調整すると、パススルーにより、変更は次回の契約更新時ではなく当日にあなた側へ反映されます——これは通常以上に重要です。というのも、Fish Audioのプロモーション料金は2026-11-12に終了し、実効的な比較は一夜で変わるからです。

どちらか一方だけを決めたい読者に向けて：成果物が「どう聞こえるか」で評価され、台本が普通の散文で書かれているなら Eleven v4。成果物で名前・数字・コードが正確でなければならないなら、長尺の作業で価格に敏感なら、モデルの重みが欲しいなら、あるいは指示を書く人が英語で書かないなら Drama 3。アリーナでは Eleven の方がよく聞こえると言い、発音ボードでは Drama の方がうまく発音すると言う。どちらも同じベンチマークスイートであり、有用な問いは、あなたの制作が実際にどちらの失敗に悩まされているかだ。