Fish Audio Drama 3 vs Eleven v4: jeden model wygrywa głosowanie preferencji, a drugi wygrywa słowa

ElevenLabs Eleven v4 i Fish Audio Drama 3 nie zgadzają się co do tego, czemu ma służyć ocena syntezy mowy. W Provider Voice Arena Artificial Analysis Eleven v4 plasuje się na drugim miejscu z Elo 1 334, a Drama 3 na szóstym z 1 278; w Controlled Voice Arena, gdzie oba są oceniane względem tych samych głosów referencyjnych, Eleven v4 jest czwarty z 1 156, a Drama 3 dwunasty z 1 085. Są to różnice wynoszące 56 i 71 punktów, obie wyraźnie poza zakresem szumu, i obie mówią to samo: słuchacze wolą Eleven v4. Następnie to samo laboratorium pyta ludzkich oceniających, czy każde trudne słowo w zdaniu zostało faktycznie wymówione poprawnie, i Drama 3 osiąga 93,2% wobec 91,7% Eleven v4, przy czym oba znajdują się na przeciwległych krańcach kategorii, która decyduje o tym, czy nazwa marki, liczba lub kod części wyjdzie nienaruszony. Różnica w preferencjach jest realna, podobnie jak różnica w wymowie, i żadna pojedyncza liczba nie godzi ich ze sobą.

Luka, która się nie zamyka, i luka, która się zamyka.

Zacznijmy od tego, czego Eleven v4 nie utracił. Model trafił do ogólnej dostępności 28 września 2026 r., cztery tygodnie po premierze modelu Fish Audio, i od tamtej pory utrzymuje dwa czołowe miejsca w kategorii głosów dostawców w każdej aktualizacji rankingu. Obecna przewaga nad Drama 3 wynosi 56 punktów Elo w przypadku głosów dostawców i 71 w przypadku głosów kontrolowanych — a ranking głosów kontrolowanych jest trudniejszym testem, ponieważ wyłącza z porównania własny katalog głosów każdego dostawcy. Cokolwiek oznacza przewaga Drama 3 wśród modeli open-weights, nie oznacza, że Drama 3 brzmi lepiej niż Eleven v4 dla słuchacza w teście ślepym, a każde porównanie, które sugeruje inaczej, próbuje coś sprzedać.

Drama 3 ma natomiast szczegółowe zestawienie według kategorii w benchmarku Artificial Analysis English Pronunciation Robustness, w którym ocenia się 31 modeli, a pierwsze miejsce jest współdzielone:

• Ogólnie — Drama 3 93,2%, ex aequo na pierwszym miejscu z Ming-3.0-tts; Eleven v4 91,7%; Eleven v4 Turbo 90,1%.

• Terminy samodzielne (marki, miejsca, nazwy techniczne) — Drama 3 95,9%, pierwsze w rankingu; Eleven v4 poniżej.

• Rozwijanie skrótów (liczby, daty, jednostki, notacja) — Eleven v4 94,1%, pierwsze miejsce; Drama 3 93,6%, drugie miejsce.

• Zachowywanie dokładnych sekwencji (kody, ścieżki, adresy e-mail) — Drama 3 86,3%, drugie miejsce w rankingu za Ming-3.0-tts z 90,6%; Eleven v4 78,8%, czyli jego najsłabsza kategoria z dużą przewagą.

• Kontekstowo odpowiednie — Drama 3 95,3%; Google Gemini 3.8 Flash TTS prowadzi w całej tabeli z wynikiem 98,0%.

Ten wzorzec jest użyteczny. Jeśli Twój skrypt to głównie proza z garścią liczb, obsługa skrótów w Eleven v4 jest lepsza, a ogólna różnica wynosi poniżej dwóch punktów. Jeśli Twój skrypt zawiera kody SKU, numery spraw, adresy URL, kody części lub adresy e-mail odczytywane na głos, Eleven v4 jest najsłabszym modelem w czołowej grupie dokładnie w tej kategorii — 78,8% oznacza, że mniej więcej co piąta dokładna sekwencja jest odczytywana błędnie — a Drama 3 z wynikiem 86,3% wciąż jest niedoskonała, ale to różnica między agentem wsparcia, który odczytuje numer zgłoszenia raz, a takim, który odczytuje go dwa razy.

Dwie składnie dla tego samego kierunku

Oba modele pozwalają zapisać wydajność w skrypcie, a notacje są na tyle zbliżone, że zespół może przenieść skrypt w ciągu jednego popołudnia — co sprawia, że pozostałe różnice warto znać.

ElevenLabs używa znaczników audio w treści — [laughs], [whispers], [sighs], [said angrily in French accent], a nawet [light rain] — wstawianych w tekst w miejscach, gdzie sposób wypowiedzi powinien się zmienić. Dostawca dokumentuje znaczniki audio dla Eleven v4 Turbo, a Eleven v4 stosuje tę samą składnię; oba rozwiązania weszły do ogólnej dostępności (GA) 2026-09-28. Eleven v4 ogranicza dane wejściowe do 10 000 znaków na zapytanie, czyli mniej więcej dziesięciu minut audio, więc długi scenariusz trzeba podzielić na fragmenty w miejscach zakończenia zdań i połączyć, a logika łączenia staje się Twoim problemem. Obsługiwany jest dialog z wieloma mówcami, a rozwiązanie siostrzane o niskich opóźnieniach podaje medianę opóźnienia wnioskowania wynoszącą około 100 milisekund, nie licząc narzutu aplikacji i sieci.

Notacja Fish Audio to konwencja nawiasowa z nałożoną na nią warstwą sparowanych tagów, udokumentowana na własnych stronach poświęconych Drama 3:

• Wskazówki w nawiasach przed słowami, których dotyczą — [z trudem się trzymając, wymuszając uśmiech] — zapisane tak, jak reżyser instruowałby aktora głosowego.

• Dźwięki i pauzy w tych samych nawiasach — [drżący oddech], [cichy śmiech] — umieszczone dokładnie tam, gdzie występują.

• Sparowane tagi, które zmieniają tylko otoczone nimi słowa: whisper, emphasis, soft, fast, slow, stress, forceful. Po stronie ElevenLabs nie ma udokumentowanego odpowiednika kontroli na poziomie pojedynczego słowa.

• Didaskalia pisane w dowolnym języku, niezależnie od języka scenariusza. Chiński nawias z didaskaliami przed angielską kwestią został udokumentowany i zademonstrowany. To właśnie tę możliwość przetestowałbym w pierwszej kolejności, ponieważ to ona zmienia, kto może obsługiwać narzędzie: reżyser, który nie pisze po angielsku, nadal może reżyserować angielskie przedstawienie.

• Przypinanie fonemów dla każdego języka, z udokumentowanymi ścieżkami pinyin i romaji dla chińskiego i japońskiego, a także znacznik przełączania języka, który zamienia jedną frazę na inny język w środku wiersza — oznaczony jako eksperymentalny w dokumentacji.

• Wielu mówców w jednym żądaniu: jeden identyfikator głosu na mówcę w tablicy reference_id, każda tura rozpoczynająca się znacznikiem mówcy, takim jak <|speaker:0|>, przy czym wskazówki i sparowane znaczniki działają wewnątrz każdej tury.

Te powierzchnie sterowania naprawdę różnią się co do istoty, a nie tylko nazewnictwem. ElevenLabs daje słownik tagów dostosowany do emocji i sposobu podania. Fish Audio daje emocje plus fonetyczne ustalanie wymowy plus przełączanie języków plus sterowanie zakresem dla każdego słowa — to bliższe narzędziu do masteringu niż narzędziu do interpretacji. W pracy nad audiobookami i dubbingiem bardziej przydatny jest ten drugi zestaw. W przypadku rozmownych lub ekspresyjnych tekstów marketingowych tagi Eleven czytają się bardziej naturalnie, a wyniki preferencji to potwierdzają.

Pieniądze — na scenariuszu, który faktycznie masz

Porównywanie kosztów w przeliczeniu na godzinę między tymi dwoma jest niewiarygodne, ponieważ dostawcy rozliczają w różnych jednostkach i zakładają różne szybkości mowy. Zamiast tego przeprowadź obliczenia dla ustalonego skryptu. Eleven v4 podaje stawkę 80,00 USD za milion znaków, więc skrypt o długości 100 000 znaków kosztuje 8,00 USD. Drama 3 podaje stawkę 50,00 USD za milion bajtów UTF-8, a w przypadku angielskiego przypada blisko jeden bajt na znak, więc ten sam skrypt kosztuje 5,00 USD — a 1,00 USD podczas promocji startowej, która trwa do 2026-11-12 09:00 czasu PT przy stawce 10,00 USD za milion bajtów.

To jest uczciwy kształt różnicy cen: Drama 3 jest o 37% tańsza w przeliczeniu na znak angielski według cennika i o 87% tańsza podczas promocji, a nie o 60%, które sugerowałoby naiwne porównanie stawki za znak ze stawką za znak, $80 wobec $50, gdyby zapomnieć o jednostkach. Dwa kolejne szczegóły powinny trafić do budżetu, a nie do przypisu. Wskazówki w nawiasach liczą się jako tekst wejściowy i są rozliczane na obu platformach, więc scenariusz z dużą liczbą wskazówek reżyserskich kosztuje 10-25% więcej, niż wynika z liczby jego słów. A w Fish Audio żądanie z brakującym lub błędnie zapisanym nagłówkiem modelu nie kończy się błędem — przechodzi do s2.1-pro, który podczas promocji rozlicza się po $15.00 za milion bajtów zamiast $10.00. Literówka w nagłówku to ciche 50% podwyższenie ceny.

Model kosztów ElevenLabs jest zasadniczo inny: plany subskrypcyjne obejmują klonowanie, a natychmiastowe klonowanie głosu zaczyna się od planu Starter za 6 USD, natomiast profesjonalne klony są dostępne od planu Creator za 22 USD. Fish Audio sprzedaje klonowanie w ramach tego samego systemu kredytów co generowanie, a Drama 3 wykorzystuje te same kredyty co S2.1 Pro. Jeśli klonowanie stanowi sedno Twojego workflow, a nie funkcję używaną dwa razy, porównanie dotyczy planów, a nie kosztu za znak.

Licencjonowanie i klauzula, która nie podlega negocjacjom przez żadną ze stron

Żaden z dostawców nie pozwoli ci sklonować osoby bez zgody, i obaj mówią to wprost. Różnica dotyczy tego, co dzieje się z samym modelem. Eleven v4 to zamknięte API: licencjonujesz wynik, a nie wagi, a praktycznym ograniczeniem jest cennik. Drama 3 publikuje wagi na Hugging Face jako fishaudio/drama-3 na licencji Fish Audio Community License v1.0 — bezpłatnie do badań i użytku niekomercyjnego, bezpłatnie do użytku komercyjnego poniżej 500 000 USD rocznego przychodu dla ciebie i twoich podmiotów powiązanych, oraz wymaga oddzielnej licencji powyżej tego progu lub jeśli chcesz oferować samą Drama 3 jako usługę hostowaną. Artificial Analysis określa to mianem otwartych wag bez pełnych praw do użytku komercyjnego, co jest trafne.

To działa w obie strony w przypadku porównania. Nie da się samodzielnym hostowaniem wybrnąć z ceny ElevenLabs i nie można po cichu stać się dostawcą TTS na wagach Fish Audio. Ale już dziś możesz umieścić Drama 3 na karcie graficznej 48 GB i generować przy koszcie krańcowym równym kosztowi energii elektrycznej — co jest zupełnie inną rozmową o zakupach niż $8.00 za 100 000 znaków i to właśnie ona rozstrzyga długofalową pracę nad katalogiem.

Który umieścić przed routerem?

Ani Fish Audio Drama 3, ani ElevenLabs Eleven v4 nie są modelami na OrcaRouter. Drama 3 jest dostępny przez własne API Fish Audio i kilka platform zewnętrznych; Eleven v4 przez API ElevenLabs. To, co stoi przed oboma, w układzie, który ten blog stale poleca, to warstwa routingu — jeden klucz obejmujący ~200 modeli w cenie katalogowej dostawcy, bez marży, automatyczne przełączanie awaryjne oraz DSL routingu, który pozwala umieścić dwa głosy za jednym punktem wywołania.

Powód, który ma znaczenie w tym konkretnym zestawieniu, jest taki, że prawidłowa odpowiedź brzmi „oba, w zależności od zdania”. Potok produkcyjny do tworzenia dramatów chce Drama 3 w wierszach zawierających nazwy własne i kody, a nadal może chcieć Eleven v4 w fragmentach, w których słuchacze oceniają sam głos. Fusion modeli i DSL routingu pozwalają potokowi traktować to jako jeden interfejs z wyborem na poziomie segmentu, a nie jako dwie integracje, dwie tabele stawek i dwa zestawy zachowań związanych z ponawianiem. Gdy dostawca zmienia cenę, mechanizm przekazywania oznacza, że zmiana trafia po Twojej stronie tego samego dnia, a nie przy następnym odnowieniu umowy — co ma tu większe znaczenie niż zwykle, ponieważ promocyjna stawka Fish Audio wygasa 2026-11-12 i rzeczywiste porównanie zmienia się z dnia na dzień.

Dla czytelnika, który ma wybrać tylko jedną: Eleven v4, jeśli o wyniku decyduje brzmienie, a scenariusz został napisany zwykłą prozą; Drama 3, jeśli wynik musi być poprawny pod względem nazw, liczb i kodów, jeśli praca jest długoterminowa i wrażliwa na cenę, jeśli chcesz wagi, albo jeśli osoba pisząca wskazówki nie pisze po angielsku. Arena twierdzi, że Eleven brzmi lepiej. Plansza wymowy twierdzi, że Drama radzi sobie lepiej. Oba są tym samym zestawem testów porównawczych, a przydatne pytanie brzmi, na którą z tych dwóch porażek naprawdę cierpi twoja produkcja.