Fish Audio Drama 3 vs Eleven v4: Um modelo vence a votação de preferência, o outro vence as palavras

ElevenLabs Eleven v4 e Fish Audio Drama 3 discordam sobre para que serve uma pontuação de conversão de texto em fala. No Provider Voice Arena da Artificial Analysis, o Eleven v4 está em segundo lugar, com Elo de 1.334, e o Drama 3 em sexto, com 1.278; no Controlled Voice Arena, onde ambos são avaliados em relação às mesmas vozes de referência, o Eleven v4 está em quarto lugar, com 1.156, e o Drama 3 em décimo segundo, com 1.085. Essas são diferenças de 56 e 71 pontos, ambas confortavelmente fora do ruído, e ambas dizem a mesma coisa: os ouvintes preferem o Eleven v4. Depois, o mesmo laboratório pergunta a revisores humanos se cada palavra difícil de uma frase foi realmente pronunciada corretamente, e o Drama 3 pontua 93,2% contra 91,7% do Eleven v4, com os dois em extremos opostos da categoria que decide se um nome de marca, um número ou um código de peça sai intacto. A diferença de preferência é real, assim como a diferença de pronúncia, e nenhum número isolado concilia as duas.

A lacuna que não se fecha, e a lacuna que se fecha.

Comece pelo que o Eleven v4 não perdeu. Ele chegou à disponibilidade geral em 2026-09-28, quatro semanas depois de o modelo da Fish Audio ser lançado, e desde então manteve as duas primeiras posições entre vozes de fornecedor em todas as atualizações do ranking. A diferença atual em relação ao Drama 3 é de 56 Elo nas vozes de fornecedor e 71 nas vozes controladas — e o ranking controlado é o teste mais difícil, porque remove da comparação o catálogo de vozes próprio de cada fornecedor. O que quer que a liderança do Drama 3 entre modelos de pesos abertos signifique, isso não significa que o Drama 3 soe melhor do que o Eleven v4 para um ouvinte às cegas, e qualquer comparação que implique o contrário está vendendo algo.

O que o Drama 3 tem é o detalhamento categoria por categoria no benchmark English Pronunciation Robustness do Artificial Analysis, no qual 31 modelos são pontuados e o topo é compartilhado:

• Geral — Drama 3 93,2%, empatado em primeiro lugar com Ming-3.0-tts; Eleven v4 91,7%; Eleven v4 Turbo 90,1%.

• Termos independentes (marcas, locais, nomes técnicos) — Drama 3 95,9%, primeiro no placar; Eleven v4 logo abaixo.

• Expansão de abreviações (números, datas, unidades, notação) — Eleven v4 94,1%, primeiro; Drama 3 93,6%, segundo.

• Preservação de sequências exatas (códigos, caminhos, e-mails) — Drama 3 86,3%, segundo lugar no ranking, atrás de Ming-3.0-tts com 90,6%; Eleven v4 78,8%, que é sua categoria mais fraca por uma margem considerável.

• Contextualmente adequado — Drama 3 95,3%; Google Gemini 3.8 Flash TTS lidera o ranking completo com 98,0%.

O padrão é utilizável. Se o seu script for majoritariamente texto corrido com alguns poucos números, o tratamento de formas abreviadas do Eleven v4 é melhor, e a diferença geral fica abaixo de dois pontos. Se o seu script contiver SKUs, números de chamado, URLs, códigos de peça ou endereços de e-mail lidos em voz alta, o Eleven v4 é o modelo mais fraco do grupo dos melhores justamente nessa categoria — 78,8% significa que aproximadamente uma em cada cinco sequências exatas volta incorreta — e o Drama 3, com 86,3%, ainda é imperfeito, mas é a diferença entre um agente de suporte que lê um número de chamado uma vez e outro que o lê duas vezes.

Duas sintaxes para a mesma direção

Ambos os modelos permitem incorporar o desempenho ao script, e as notações são suficientemente parecidas para que uma equipe consiga portar um script em uma tarde — o que faz com que as diferenças restantes valham a pena ser conhecidas.

O ElevenLabs usa tags de áudio inline — [laughs], [whispers], [sighs], [said angrily in French accent], até mesmo [light rain] — inseridas no texto onde a entrega deve mudar. O fornecedor documenta tags de áudio para o Eleven v4 Turbo, e o Eleven v4 segue a mesma sintaxe; ambos foram disponibilizados em geral (GA) em 2026-09-28. O Eleven v4 limita a entrada a 10.000 caracteres por solicitação, aproximadamente dez minutos de áudio, então um roteiro de formato longo precisa ser dividido em blocos nos limites das frases e remontado, com a lógica de remontagem se tornando problema seu. O diálogo com vários falantes é suportado, e o irmão de baixa latência cita uma latência de inferência mediana de cerca de 100 milissegundos, excluindo a sobrecarga de aplicação e de rede.

A notação do Fish Audio é uma convenção de colchetes com uma camada de tags emparelhadas por cima, documentada nas suas próprias páginas do Drama 3:

• Direções entre colchetes antes das palavras que regem — {{1}}[mal se segurando, forçando um sorriso]{{/1}} — escritas como um diretor orientaria um dublador.

• Sons e pausas nos mesmos colchetes — [respiração trêmula], [riso leve] — posicionados exatamente onde ocorrem.

• Tags emparelhadas que alteram apenas as palavras envolvidas: sussurro, ênfase, suave, rápido, lento, tensão, vigoroso. Não há controle equivalente por palavra documentado do lado da ElevenLabs.

• Indicações escritas em qualquer idioma, independentemente do idioma do roteiro. Um colchete de direção em chinês diante de uma linha em inglês está documentado e demonstrado. Esta é a capacidade que eu testaria primeiro, porque é ela que muda quem pode operar a ferramenta: um diretor que não escreve inglês ainda pode dirigir uma performance em inglês.

• Fixação de fonemas por idioma, com caminhos documentados de pinyin e romaji para chinês e japonês, além de uma tag de troca de idioma que converte uma frase para outro idioma no meio da linha — marcada como experimental na documentação.

• Vários falantes em uma única solicitação: um id de voz por falante em uma matriz reference_id, cada turno começando com uma tag de falante como <|speaker:0|>, com direções e tags pareadas funcionando dentro de cada turno.

As superfícies de controle são genuinamente diferentes em natureza, não apenas na grafia. A ElevenLabs oferece um vocabulário de tags ajustado à emoção e à entrega. A Fish Audio oferece emoção, fixação fonética, troca de idioma e escopo por palavra, o que está mais para uma ferramenta de masterização do que de performance. Para trabalho com audiolivros e dublagem, esse segundo conjunto é o mais útil. Para copy de marketing conversacional ou expressiva, as tags da Eleven soam mais naturais, e as pontuações de preferência concordam.

O dinheiro, num roteiro que você realmente tem.

As comparações por hora entre esses dois não são confiáveis, porque os fornecedores cobram em unidades diferentes e implicam taxas de fala diferentes. Em vez disso, faça as contas com um script fixo. O Eleven v4 está listado a US$ 80,00 por milhão de caracteres, então um script de 100.000 caracteres custa US$ 8,00. O Drama 3 está listado a US$ 50,00 por milhão de bytes UTF-8, e o inglês fica próximo de um byte por caractere, então o mesmo script custa US$ 5,00 — e US$ 1,00 durante a promoção de lançamento, que vai até 2026-11-12 09:00 PT, a US$ 10,00 por milhão de bytes.

Esse é o retrato honesto da diferença de preço: Drama 3 é 37% mais barato por caractere em inglês no preço de tabela e 87% mais barato durante a promoção, e não os 60% que uma comparação ingênua de caracteres contra caracteres de US$ 80 contra US$ 50 sugeriria se você esquecesse as unidades. Mais dois detalhes pertencem ao orçamento, e não à nota de rodapé. Instruções entre colchetes contam como texto de entrada e são cobradas, em ambas as plataformas, então um roteiro com muitas instruções custa 10-25% mais do que a contagem de palavras sugere. E na Fish Audio, uma requisição cujo cabeçalho de modelo está ausente ou com erro de grafia não falha — ela recorre ao s2.1-pro, que durante a promoção cobra US$ 15,00 por milhão de bytes em vez de US$ 10,00. Um erro de digitação em um cabeçalho é um aumento silencioso de 50% no preço.

O modelo de custos da ElevenLabs é diferente em natureza: os níveis de assinatura incluem clonagem, e a clonagem de voz instantânea começa no plano Starter de $6, com clones profissionais a partir do nível Creator de $22. A Fish Audio vende clonagem por meio do mesmo sistema de créditos usado para geração, e o Drama 3 usa os mesmos créditos que o S2.1 Pro. Se a clonagem é o centro do seu fluxo de trabalho, e não um recurso que você usa duas vezes, a comparação é uma comparação de planos, não uma comparação por caractere.

Licenciamento, e a cláusula que não é negociável por nenhuma das partes

Nenhum dos fornecedores permitirá que você clone uma pessoa sem consentimento, e ambos dizem isso explicitamente. A diferença está no que acontece com o próprio modelo. O Eleven v4 é uma API fechada: você licencia o resultado, não os pesos, e a restrição prática é a tabela de preços. O Drama 3 publica os pesos no Hugging Face como fishaudio/drama-3 sob a Fish Audio Community License v1.0 — gratuito para pesquisa e uso não comercial, gratuito para uso comercial abaixo de US$ 500.000 em receita anual para você e suas afiliadas, e exigindo uma licença separada acima desse limite ou caso você queira oferecer o próprio Drama 3 como serviço hospedado. A Artificial Analysis o classifica como pesos abertos sem direitos plenos de uso comercial, o que é preciso.

Isso vale nos dois sentidos numa comparação. Não dá para escapar do preço do ElevenLabs na base da auto-hospedagem, nem se tornar silenciosamente um provedor de TTS com os pesos do Fish Audio. Mas você pode, hoje, colocar o Drama 3 numa placa de 48 GB e gerar a um custo marginal de eletricidade — o que é uma conversa de aquisição diferente de US$ 8,00 por 100.000 caracteres, e é essa que decide o trabalho de catálogo de longa duração.

Qual colocar na frente do roteador

Nem o Fish Audio Drama 3 nem o ElevenLabs Eleven v4 é um dos modelos no OrcaRouter. O Drama 3 é acessado pela própria API do Fish Audio e por várias plataformas de terceiros; o Eleven v4, pela API da ElevenLabs. O que fica à frente de ambos, na configuração que este blog continua recomendando, é a camada de roteamento — uma única chave para ~200 modelos ao preço de tabela do provedor, sem acréscimo, failover automático e uma DSL de roteamento que consegue manter duas vozes por trás de um único ponto de chamada.

O motivo pelo qual isso importa para este confronto específico é que a resposta correta é "ambos, para frases diferentes". Um pipeline de drama em produção quer o Drama 3 nas linhas que contêm nomes próprios e códigos, e ainda pode querer o Eleven v4 nos trechos em que os ouvintes julgam a própria voz.Fusão de modelos e a DSL de roteamento permitem que um pipeline trate isso como uma única interface com uma escolha por segmento, em vez de duas integrações, duas tabelas de preços e dois conjuntos de comportamentos de repetição. Quando um fornecedor ajusta um preço, o repasse faz com que a mudança chegue ao seu lado no mesmo dia, em vez de na próxima renovação de contrato — o que importa mais aqui do que o habitual, porque a tarifa promocional da Fish Audio expira em 2026-11-12 e a comparação efetiva muda da noite para o dia.

Para um leitor decidindo por apenas um: Eleven v4 se o entregável for julgado por como soa e o roteiro estiver escrito em prosa comum; Drama 3 se o entregável precisar estar correto em nomes, números e códigos, se o trabalho for de longa duração e sensível a preço, se você quiser os pesos, ou se a pessoa que escreve a direção não escrever em inglês. A arena diz que Eleven soa melhor. O painel de pronúncia diz que Drama o pronuncia melhor. Os dois são o mesmo conjunto de benchmarks, e a pergunta útil é de qual dessas duas falhas sua produção realmente sofre.