Fish Audio Drama 3 vs Eleven v4: одна модель побеждает по голосам предпочтений, другая — по словам

ElevenLabs Eleven v4 и Fish Audio Drama 3 расходятся во мнениях о том, для чего нужна оценка синтеза речи. В Provider Voice Arena от Artificial Analysis Eleven v4 занимает второе место с Elo 1 334, а Drama 3 — шестое с 1 278; в Controlled Voice Arena, где обе системы оцениваются на одних и тех же эталонных голосах, Eleven v4 находится на четвёртом месте с 1 156, а Drama 3 — на двенадцатом с 1 085. Это разрывы в 56 и 71 пункта, оба с большим запасом выходят за пределы шума, и оба свидетельствуют об одном и том же: слушатели предпочитают Eleven v4. При этом та же лаборатория спрашивает у рецензентов-людей, было ли каждое сложное слово в предложении действительно произнесено правильно, и Drama 3 получает 93,2% против 91,7% у Eleven v4, причём две системы находятся на противоположных концах категории, которая определяет, сохранится ли без искажений название бренда, число или код детали. Разрыв в предпочтениях реален, как и разрыв в произношении, и ни одно число не примиряет их.

Разрыв, который не закрывается, и разрыв, который закрывается.

Начните с того, что Eleven v4 не утратила. Она стала общедоступной 28.09.2026, через четыре недели после выпуска модели Fish Audio, и с тех пор удерживает две верхние позиции в категории голосов провайдеров при каждом обновлении рейтинга. Текущее преимущество над Drama 3 составляет 56 Elo по голосам провайдеров и 71 по контролируемым голосам — причём контролируемый рейтинг является более сложным тестом, поскольку исключает из сравнения собственный голосовой каталог каждого вендора. Что бы ни означало лидерство Drama 3 среди моделей с открытыми весами, оно не означает, что для слепого слушателя Drama 3 звучит лучше, чем Eleven v4, и любое сравнение, подразумевающее обратное, что-то продаёт.

У Drama 3 есть разбивка по категориям в бенчмарке English Pronunciation Robustness от Artificial Analysis, где оцениваются 31 модель и первое место разделено:

• В целом — Drama 3 93,2%, делит первое место с Ming-3.0-tts; Eleven v4 91,7%; Eleven v4 Turbo 90,1%.

Отдельные термины (бренды, места, технические названия) — Drama 3 95,9%, первое место в таблице; Eleven v4 ниже.

• Расшифровка сокращённой записи (числа, даты, единицы измерения, обозначения) — Eleven v4 94,1%, первое место; Drama 3 93,6%, второе место.

• Сохранение точных последовательностей (коды, пути, адреса электронной почты) — Drama 3 86,3%, второе место в таблице после Ming-3.0-tts с 90,6%; Eleven v4 78,8%, что является его самой слабой категорией со значительным отрывом.

• Соответствие контексту — Drama 3 95,3%; Google Gemini 3.8 Flash TTS лидирует во всём рейтинге с 98,0%.

Этот паттерн рабочий. Если ваш сценарий — в основном проза с небольшим количеством чисел, обработка сокращений в Eleven v4 работает лучше, а общая разница составляет менее двух пунктов. Если в вашем сценарии есть SKU, номера обращений, URL, коды деталей или адреса электронной почты, которые читаются вслух, Eleven v4 — самая слабая модель в верхней группе именно в этой категории: 78,8% означают, что примерно одна из пяти точных последовательностей возвращается неверно, а Drama 3 с 86,3% всё ещё неидеальна, но это разница между агентом поддержки, который читает номер тикета один раз, и тем, который читает его дважды.

Два синтаксиса для одного и того же направления

Обе модели позволяют заложить производительность прямо в сценарий, а их нотации достаточно близки, чтобы команда могла перенести сценарий за полдня, — поэтому оставшиеся различия стоит знать.

ElevenLabs использует встроенные аудиотеги — [laughs], [whispers], [sighs], [said angrily in French accent] и даже [light rain] — вставляемые в текст там, где должна меняться манера подачи. Производитель документирует аудиотеги для Eleven v4 Turbo, а Eleven v4 использует тот же синтаксис; обе версии стали общедоступными 2026-09-28. Eleven v4 ограничивает ввод 10 000 символов на запрос — примерно десять минут аудио, — поэтому длинный сценарий приходится разбивать на фрагменты по границам предложений и склеивать, а логика склейки становится вашей задачей. Поддерживается диалог с несколькими говорящими, а модель-собрат с низкой задержкой заявляет медианную задержку вывода около 100 миллисекунд без учета накладных расходов приложения и сети.

Нотация Fish Audio — это система обозначений на основе скобок с дополнительным слоем парных тегов, описанная на его собственных страницах Drama 3:

• Ремарки в квадратных скобках перед словами, к которым они относятся — [едва сдерживаясь, выдавливая улыбку] — записанные так, как режиссёр проинструктировал бы актёра озвучивания.

• Звуки и паузы в тех же квадратных скобках — [дрожащее дыхание], [легкий смех] — размещаются точно там, где они происходят.

• Парные теги, которые изменяют только заключённые в них слова: whisper, emphasis, soft, fast, slow, stress, forceful. На стороне ElevenLabs эквивалентное управление отдельными словами не документировано.

• Указания, написанные на любом языке, независимо от языка сценария. Китайская режиссёрская ремарка в квадратных скобках перед английской репликой документирована и продемонстрирована. Именно эту возможность я бы проверил первой, потому что она меняет то, кто может работать с инструментом: режиссёр, не пишущий на английском, всё равно может ставить англоязычную постановку.

• Фиксация фонем для каждого языка, с документированными путями пиньиня и ромадзи для китайского и японского, а также тег переключения языка, который переключает одну фразу на другой язык посреди строки — помечено в документации как экспериментальное.

• Несколько говорящих в одном запросе: один идентификатор голоса на каждого говорящего в массиве reference_id, каждая реплика начинается с тега говорящего, например <|speaker:0|>, при этом указания и парные теги работают внутри каждой реплики.

Элементы управления у них действительно различаются по своей сути, а не только по названиям. ElevenLabs даёт словарь тегов, настроенный на эмоции и манеру подачи. Fish Audio даёт эмоции плюс фонетическое закрепление, плюс переключение языков, плюс разметку на уровне отдельных слов — это ближе к инструменту для мастеринга, чем к инструменту для исполнения. Для работы над аудиокнигами и дубляжем второй набор полезнее. Для разговорных или выразительных маркетинговых текстов теги Eleven читаются естественнее, и оценки предпочтений это подтверждают.

Деньги — на сценарий, который у вас действительно есть.

Сравнения стоимости за час между этими двумя ненадежны, потому что поставщики тарифицируют в разных единицах и подразумевают разный темп речи. Вместо этого считайте на фиксированном сценарии. Eleven v4 указывает цену $80.00 за миллион символов, поэтому сценарий на 100 000 символов стоит $8.00. Drama 3 указывает цену $50.00 за миллион байтов UTF-8, а английский текст близок к одному байту на символ, поэтому тот же сценарий стоит $5.00 — и $1.00 во время промоакции запуска, которая действует до 2026-11-12 09:00 PT при цене $10.00 за миллион байтов.

Вот честная картина разницы в цене: Drama 3 на 37% дешевле за английский символ по прайс-листу и на 87% дешевле во время промоакции — а не на 60%, как могло бы показаться из наивного сравнения «символ к символу» при $80 против $50, если забыть о единицах измерения. Ещё две детали следует учитывать в бюджете, а не в сноске. Указания в квадратных скобках считаются входным текстом и тарифицируются на обеих платформах, поэтому сценарий с большим количеством указаний стоит на 10–25% дороже, чем следует из количества слов. А в Fish Audio запрос, в котором заголовок модели отсутствует или написан с ошибкой, не отклоняется — он откатывается на s2.1-pro, который во время промоакции тарифицируется по $15.00 за миллион байт вместо $10.00. Опечатка в заголовке — это незаметное повышение цены на 50%.

Модель затрат ElevenLabs принципиально иная: клонирование входит в тарифы подписки, причём мгновенное клонирование голоса доступно начиная с тарифа Starter за $6, а профессиональные клоны — с тарифа Creator за $22. Fish Audio продаёт клонирование через ту же систему кредитов, что и генерацию, а Drama 3 использует те же кредиты, что и S2.1 Pro. Если клонирование — центр вашего рабочего процесса, а не функция, которую вы используете пару раз, то сравнение — это сравнение тарифов, а не стоимости за символ.

Лицензирование и пункт, который не подлежит обсуждению ни с одной из сторон

Ни один из поставщиков не позволит вам клонировать человека без согласия, и оба прямо об этом говорят. Разница в том, что происходит с самой моделью. Eleven v4 — это закрытый API: вы лицензируете выходные данные, а не веса, и практическое ограничение — тарифная сетка. Drama 3 публикует веса на Hugging Face как fishaudio/drama-3 по лицензии Fish Audio Community License v1.0 — бесплатно для исследований и некоммерческого использования, бесплатно для коммерческого использования при годовом доходе ниже 500 000 долларов США для вас и ваших аффилированных лиц, и требует отдельной лицензии при превышении этого порога или если вы хотите предлагать саму Drama 3 как хостинговый сервис. Artificial Analysis характеризует это как открытые веса без полных прав на коммерческое использование, и это верно.

В сравнении это работает в обе стороны. Нельзя уйти от цены ElevenLabs за счёт собственного хостинга, и нельзя незаметно стать TTS-провайдером на весах Fish Audio. Но уже сегодня можно запустить Drama 3 на карте с 48 ГБ и генерировать при маржинальной стоимости на уровне стоимости электроэнергии — а это совсем иной разговор о закупке, чем $8.00 за 100 000 символов, и именно он определяет долгосрочную работу с каталогом.

Какой из них поставить перед роутером?

Ни Fish Audio Drama 3, ни ElevenLabs Eleven v4 не входят в число моделей на OrcaRouter. Доступ к Drama 3 осуществляется через собственный API Fish Audio и несколько сторонних платформ; к Eleven v4 — через API ElevenLabs. Перед обеими, в схеме, которую этот блог постоянно рекомендует, находится слой маршрутизации — один ключ для ~200 моделей по прайс-листу провайдера без наценки, автоматическое переключение при сбоях и DSL маршрутизации, позволяющий использовать два голоса через одну точку вызова.

Причина, по которой это имеет значение для данного конкретного сопоставления, заключается в том, что правильный ответ — «оба, для разных предложений». Производственный пайплайн для драмы хочет Drama 3 на строках, содержащих имена собственные и коды, и всё ещё может хотеть Eleven v4 на фрагментах, где слушатели оценивают сам голос. Объединение моделей и DSL маршрутизации позволяют пайплайну рассматривать это как единый интерфейс с выбором для каждого сегмента, а не как две интеграции, две таблицы тарифов и два набора поведения при повторных попытках. Когда поставщик корректирует цену, сквозная передача означает, что изменение отражается на вашей стороне в тот же день, а не при следующем продлении контракта — что здесь важнее, чем обычно, потому что промо-тариф Fish Audio истекает 2026-11-12, и фактическое сравнение меняется в одночасье.

Для читателя, выбирающего только один вариант: Eleven v4 — если результат оценивают по тому, как он звучит, а сценарий написан обычной прозой; Drama 3 — если в результате должны быть безошибочно переданы имена, числа и коды, если работа длинная и чувствительная к цене, если вам нужны веса или если человек, пишущий указания, не пишет по-английски. Арена говорит, что Eleven звучит лучше. Доска произношения говорит, что Drama справляется лучше. И то и другое — один и тот же набор тестов, и полезный вопрос — от какого из этих двух недостатков на самом деле страдает ваше производство.