Fish Audio Drama 3 vs Eleven v4: En modell vinner preferensomröstningen, den andra vinner på orden

ElevenLabs Eleven v4 och Fish Audio Drama 3 har olika uppfattning om vad ett text-till-tal-poäng ska användas till. På Artificial Analysis Provider Voice Arena ligger Eleven v4 tvåa med ett Elo på 1 334 och Drama 3 sexa på 1 278; på Controlled Voice Arena, där båda poängsätts mot samma referensröster, är Eleven v4 fyra på 1 156 och Drama 3 tolva på 1 085. Det är gap på 56 respektive 71 poäng, båda med god marginal utanför bruset, och båda säger samma sak: lyssnarna föredrar Eleven v4. Sedan frågar samma labb mänskliga granskare om varje svårt ord i en mening faktiskt uttalades korrekt, och Drama 3 får 93,2 % mot Eleven v4:s 91,7 %, där de två ligger i varsin ände av den kategori som avgör om ett varumärkesnamn, en siffra eller en delkod återges intakt. Preferensgapet är verkligt och detsamma gäller uttalsgapet, och inget enskilt mått förenar dem.

Gapet som inte sluter sig, och gapet som gör det.

Börja med det som Eleven v4 inte har förlorat. Det blev allmänt tillgängligt den 2026-09-28, fyra veckor efter att Fish Audios modell släppts, och det har hållit de två översta platserna för leverantörsröster genom varje uppdatering av topplistan sedan dess. Den nuvarande marginalen mot Drama 3 är 56 Elo för leverantörsröster och 71 för kontrollerade röster — och listan för kontrollerade röster är det svårare testet, eftersom den tar bort varje leverantörs egen röstkatalog ur jämförelsen. Vad än Drama 3:s ledning bland modeller med öppna vikter betyder, så betyder den inte att Drama 3 låter bättre än Eleven v4 för en blind lyssnare, och varje jämförelse som antyder motsatsen säljer något.

Det Drama 3 har är kategori-för-kategori-uppdelningen på Artificial Analysis English Pronunciation Robustness-benchmarken, där 31 modeller poängsätts och toppen delas:

• Totalt — Drama 3 93,2 %, delad förstaplats med Ming-3.0-tts; Eleven v4 91,7 %; Eleven v4 Turbo 90,1 %.

• Fristående termer (varumärken, platser, tekniska namn) — Drama 3 95,9 %, först på resultattavlan; Eleven v4 under den.

• Utvidgning av förkortningar (siffror, datum, enheter, notation) — Eleven v4 94,1 %, på första plats; Drama 3 93,6 %, på andra plats.

• Bevarande av exakta sekvenser (koder, sökvägar, e-postadresser) — Drama 3 86,3 %, tvåa på listan efter Ming-3.0-tts på 90,6 %; Eleven v4 78,8 %, vilket är dess svagaste kategori med stor marginal.

• Kontextuellt lämpligt — Drama 3 95,3 %; Google Gemini 3.8 Flash TTS toppar hela listan på 98,0 %.

Mönstret är användbart. Om ditt manus mest består av prosa med en handfull siffror är Eleven v4:s hantering av förkortningar den bättre, och den totala skillnaden är under två procentenheter. Om ditt manus innehåller SKU:er, ärendenummer, URL:er, artikelkoder eller e-postadresser som läses högt, är Eleven v4 den svagaste modellen i toppgruppen just i den kategorin – 78,8 % betyder att ungefär var femte exakt sekvens återges fel – och Drama 3 på 86,3 % är fortfarande inte perfekt, men det är skillnaden mellan en supportagent som läser ett ärendenummer en gång och en som läser det två gånger.

Två syntaxer för samma riktning

Båda modellerna låter dig skriva in prestandan i skriptet, och notationerna är så pass lika att ett team kan porta ett skript på en eftermiddag – vilket gör de återstående skillnaderna värda att känna till.

ElevenLabs använder inline-ljudtaggar – [laughs], [whispers], [sighs], [said angrily in French accent], till och med [light rain] – som infogas i texten där uppläsningen ska ändras. Leverantören dokumenterar ljudtaggar för Eleven v4 Turbo, och Eleven v4 följer samma syntax; båda blev allmänt tillgängliga (GA) 2026-09-28. Eleven v4 begränsar indata till 10 000 tecken per begäran, ungefär tio minuters ljud, så ett långformat manus måste delas upp vid meningsgränser och sammanfogas, och sammanfogningslogiken blir ditt problem. Dialog med flera talare stöds, och det låglatenta syskonet uppger en median inferenslatens på cirka 100 millisekunder exklusive program- och nätverksoverhead.

Fish Audios notation är en konvention med hakparenteser och ett lager av parade taggar ovanpå, dokumenterad på dess egna Drama 3-sidor:

• Instruktioner inom hakparenteser före orden de styr — [knappt håller ihop det, tvingar fram ett leende] — skrivna så som en regissör skulle instruera en röstskådespelare.

• Ljud och pauser i samma parenteser — [skakig andning], [litet skratt] — placerade exakt där de förekommer.

• Parade taggar som endast ändrar de omslutna orden: whisper, emphasis, soft, fast, slow, stress, forceful. Det finns ingen motsvarande ordvis kontroll dokumenterad hos ElevenLabs.

• Regianvisningar skrivna på vilket språk som helst, oberoende av manusets språk. En kinesisk regianvisning inom hakparentes framför en engelsk rad är dokumenterad och demonstrerad. Det är den här förmågan jag skulle testa först, eftersom det är den som förändrar vem som kan använda verktyget: en regissör som inte skriver engelska kan fortfarande regissera en engelsk föreställning.

• Fonemlåsning per språk, med dokumenterade pinyin- och romajivägar för kinesiska och japanska, plus en språkväxlingstagg som växlar en fras till ett annat språk mitt i raden – markerad som experimentell i dokumentationen.

• Flera talare i en enda begäran: ett röst-ID per talare i en reference_id-array, där varje tur börjar med en talartagg som <|speaker:0|>, och instruktioner och parade taggar fungerar inom varje tur.

Kontrollytorna skiljer sig verkligen till sin art, inte bara i stavning. ElevenLabs ger dig en taggvokabulär anpassad efter känsla och framförande. Fish Audio ger dig känsla plus fonetisk fastlåsning plus språkväxling plus ordvis omfattning, vilket ligger närmare ett masteringverktyg än ett framförandeverktyg. För ljudboks- och dubbningsarbete är den andra uppsättningen den mer användbara. För konversationell eller expressiv marknadsföringstext läses taggarna från Eleven mer naturligt, och preferenspoängen stämmer överens.

Pengarna, på ett manus du faktiskt har

Timbaserade jämförelser mellan dessa två är opålitliga, eftersom leverantörerna fakturerar i olika enheter och förutsätter olika talhastigheter. Räkna i stället på ett fast manus. Eleven v4 har ett listpris på $80.00 per miljon tecken, så ett manus på 100 000 tecken kostar $8.00. Drama 3 har ett listpris på $50.00 per miljon UTF-8-byte, och engelska ligger nära en byte per tecken, så samma manus kostar $5.00 — och $1.00 under lanseringskampanjen, som löper till 2026-11-12 09:00 PT med $10.00 per miljon byte.

Det är den ärliga bilden av prisskillnaden: Drama 3 är 37 % billigare per engelskt tecken till listpris och 87 % billigare under kampanjen, inte de 60 % som en naiv jämförelse tecken mot tecken av 80 dollar mot 50 dollar skulle antyda om man glömde enheterna. Ytterligare två detaljer hör hemma i budgeten snarare än i fotnoten. Regianvisningar inom hakparentes räknas som inmatningstext och faktureras, på båda plattformarna, så ett manus med mycket regi kostar 10–25 % mer än dess ordantal antyder. Och hos Fish Audio misslyckas inte en begäran vars modellhuvud saknas eller är felstavat – den faller tillbaka på s2.1-pro, som under kampanjen faktureras med 15,00 dollar per miljon byte i stället för 10,00. En felstavning i ett huvud är en tyst prisökning på 50 %.

ElevenLabs kostnadsmodell är av en annan karaktär: prenumerationsnivåerna inkluderar kloning, och omedelbar röstkloning börjar på Starter-planen för $6, med professionella kloner från Creator-nivån för $22. Fish Audio säljer kloning via samma kreditsystem som generering, och Drama 3 använder samma krediter som S2.1 Pro. Om kloning är centrum i ditt arbetsflöde snarare än en funktion du använder två gånger, är jämförelsen en jämförelse av planer, inte av pris per tecken.

Licensiering, och den klausul som inte är förhandlingsbar för någon av parterna

Ingen av leverantörerna låter dig klona en person utan samtycke, och båda säger det uttryckligen. Skillnaden ligger i vad som händer med själva modellen. Eleven v4 är ett slutet API: du licensierar utdata, inte vikterna, och den praktiska begränsningen är prislistan. Drama 3 publicerar vikter på Hugging Face som fishaudio/drama-3 under Fish Audio Community License v1.0 – gratis för forskning och icke-kommersiellt bruk, gratis för kommersiellt bruk under 500 000 US-dollar i årlig intäkt för dig och dina närstående bolag, och kräver en separat licens över den tröskeln eller om du vill erbjuda själva Drama 3 som en hostad tjänst. Artificial Analysis betecknar det som öppna vikter utan fullständiga rättigheter till kommersiellt bruk, vilket är korrekt.

Det skär åt båda hållen i en jämförelse. Du kan inte självhosta dig runt ElevenLabs pris, och du kan inte tyst bli en TTS-leverantör på Fish Audios vikter. Men du kan i dag lägga Drama 3 på ett 48 GB-kort och generera till en marginalkostnad som bara är el – vilket är en annan anskaffningsdiskussion än $8.00 per 100 000 tecken, och det är den som avgör långvarigt katalogarbete.

Vilken ska man ställa framför routern

Varken Fish Audio Drama 3 eller ElevenLabs Eleven v4 är en av modellerna på OrcaRouter. Drama 3 nås via Fish Audios eget API och flera tredjepartsplattformar; Eleven v4 via ElevenLabs. Det som sitter framför båda, i det upplägg som den här bloggen fortsätter att rekommendera, är routinglagret – en nyckel för ~200 modeller till leverantörens listpris utan påslag, automatisk failover och ett routing-DSL som kan hålla två röster bakom ett anropsställe.

Anledningen till att det spelar roll för just den här jämförelsen är att det rätta svaret är "båda, för olika meningar". En produktionspipeline för drama vill ha Drama 3 på de rader som innehåller egennamn och koder, och den kan fortfarande vilja ha Eleven v4 på de avsnitt där lyssnarna bedömer själva rösten. Modellfusion och routnings-DSL låter en pipeline hantera detta som ett enda gränssnitt med ett val per segment, i stället för som två integrationer, två pristabeller och två uppsättningar återförsöksbeteenden. När en leverantör justerar ett pris innebär vidarebefordran att ändringen når dig samma dag i stället för vid nästa avtalsförnyelse – vilket spelar större roll här än vanligt, eftersom Fish Audios kampanjpris upphör 2026-11-12 och den faktiska jämförelsen ändras över en natt.

För en läsare som bara ska välja ett: Eleven v4 om det som levereras bedöms efter hur det låter och manuset är skrivet i vanlig prosa; Drama 3 om det som levereras måste vara korrekt när det gäller namn, siffror och koder, om arbetet är långformat och priskänsligt, om du vill ha vikterna, eller om personen som skriver regianvisningarna inte skriver engelska. Arenan säger att Eleven låter bättre. Uttalspanelen säger att Drama uttalar det bättre. Båda är samma benchmarksvit, och den användbara frågan är vilket av dessa två fel din produktion faktiskt lider av.