Eleven v4 vs Cartesia Sonic 3.6: ช่องว่าง Elo 43 จุด เมื่อเทียบกับเสียงที่ถูกกว่า 39%

ElevenLabs Eleven v4 มีคะแนน Elo สูงกว่า 43 คะแนน Cartesia Sonic 3.6 บน Provider Voice Arena ของ Artificial Analysis — 1,319 ต่อ 1,276 — และยังชนะกระดาน Controlled Voice ด้วย โดยอยู่อันดับสอง เทียบกับอันดับสี่ของ Sonic 3.6 แต่มันแพ้ด้านราคาอย่างมากในทิศทางตรงกันข้าม: $80.00 ต่อล้านตัวอักษร เทียบกับ $49.00 และอัตราต่อตัวอักษรสูงกว่าประมาณเก้าเท่าบนการ์ดราคาของผู้ขายเองในช่วงเปิดตัว นี่คือการจับคู่ที่หาได้ยากซึ่งกระดานคะแนนชัดเจน แต่การตัดสินใจยังไม่ชัดเจน เพราะสองโมเดลนี้ไม่ได้แข่งขันกันเพื่องานเดียวกันจริง ๆ

แต่ละโมเดลคืออะไร อธิบายโมเดลละหนึ่งย่อหน้า

ElevenLabs Eleven v4 เปิดตัวเมื่อวันที่ 28 กันยายน ในฐานะโมเดลสังเคราะห์เสียงระดับเรือธงของบริษัท ควบคู่ไปกับ Eleven v4 Turbo เอกสารระบุว่ามีมากกว่า 90 ภาษา จำกัดอินพุต 10,000 ตัวอักษรต่อคำขอ รองรับบทสนทนาหลายผู้พูดที่รักษาเอกลักษณ์ของผู้พูดได้อย่างเสถียร การรองรับหน่วยเสียง IPA ที่ดีขึ้น และคำสั่งแบบอินไลน์ที่ให้คุณเขียนวิธีการพูดลงในสคริปต์ได้ การโคลนเสียงทำได้จากไฟล์เสียง 10 วินาทีสำหรับการโคลนแบบทันที โดยมีระดับโปรเฟสชันนัลที่สูงขึ้นไปอีก

Cartesia Sonic 3.6 เป็นเวอร์ชันปัจจุบันของสายโมเดลที่ Cartesia วางตำแหน่งโดยเน้นความเร็วและความเป็นธรรมชาติ หน้าผลิตภัณฑ์ของบริษัทเองเรียกมันว่าเป็นโมเดลแปลงข้อความเป็นเสียงที่เร็วและเป็นธรรมชาติที่สุด อ้างว่ามีความหน่วงต่ำกว่า 90 มิลลิวินาที รองรับการทำงานหลายภาษาโดยกำเนิดครอบคลุม 44 ภาษา ความสามารถโคลนเสียงจากไฟล์เสียง 10 วินาที พจนานุกรมการออกเสียงแบบกำหนดเอง และชุดการปฏิบัติตามข้อกำหนดที่ครอบคลุม HIPAA, SOC 2 Type 2, GDPR และ PCI ผู้จำหน่ายทั้งสองรายเผยแพร่ตัวเลขความหน่วงสำหรับโมเดลของตนเอง ไม่มีชุดตัวเลขใดได้รับการตรวจสอบอย่างเป็นอิสระ และไม่ได้วัดด้วยวิธีเดียวกัน

กระดานคะแนน ทีละมิติ

• การเปรียบเทียบแบบไม่ระบุยี่ห้อ โดยใช้เสียงของแต่ละผู้ให้บริการเอง — Eleven v4 อันดับ 1, Elo 1,319 เทียบกับ Sonic 3.6 อันดับ 2, Elo 1,276 ห่างกัน 43 คะแนน

• การทดสอบความชอบโดยไม่ระบุตัวตน โดยใช้เสียงโคลนที่จับคู่กัน — Eleven v4 อันดับ 2, Elo 1,157 เทียบกับ Sonic 3.6 อันดับ 4, Elo 1,138 ช่องว่าง 19 คะแนน แคบกว่าครั้งแรก

• การปรับราคาให้เป็นมาตรฐานของ Arena ต่อล้านตัวอักษร — Eleven v4 $80.00 เทียบกับ Sonic 3.6 $49.00 Sonic ถูกกว่า 39% บนตัวส่วนร่วมของบอร์ด

• ตารางอัตราค่าบริการของผู้ให้บริการ ต่อหนึ่งพันตัวอักษร — Eleven v4 $0.022 ในช่วงโปรโมชัน, $0.08 หลังวันที่ 12 ตุลาคม เทียบกับ Sonic 3.6 $0.049 เมื่อโปรโมชันสิ้นสุด Sonic ถูกกว่า 39%

• ความครอบคลุมด้านภาษา ตามที่ผู้ขายระบุ — Eleven v4 มากกว่า 90 ภาษา เทียบกับ Sonic 3.6 จำนวน 44 ภาษา มากกว่ากันราวสองเท่า

• ขีดจำกัดอินพุตต่อคำขอ — Eleven v4 10,000 ตัวอักษร เทียบกับ Sonic 3.6 ที่ไม่ระบุไว้ในหน้าสินค้า

• ความหน่วงตามที่ผู้ขายระบุ — Eleven v4 Turbo ใช้เวลามัธยฐานประมาณ 150 ms ถึงเสียงแรก เทียบกับ Sonic 3.6 ที่ต่ำกว่า 90 ms ย้ำอีกครั้งว่าเป็นการทดสอบที่แตกต่างกัน

• การโคลนเสียง — ทั้งคู่ใช้เสียงเพียงสิบวินาที และทั้งคู่มีให้ใช้ในแพ็กเกจระดับมืออาชีพที่สูงขึ้น

• การควบคุมการแจกแจง — Eleven v4 จัดทำเอกสารเกี่ยวกับการป้อนข้อมูลหน่วยเสียงสัทอักษรสากลและระดับโคลนระดับมืออาชีพ; Sonic 3.6 จัดทำเอกสารเกี่ยวกับพจนานุกรมการออกเสียงแบบกำหนดเอง

• สถานะด้านการปฏิบัติตามข้อกำหนด — Sonic 3.6 ระบุ HIPAA, SOC 2 Type 2, GDPR และ PCI ส่วน ElevenLabs ระบุการปฏิบัติตามข้อกำหนดของตนแยกต่างหากจากหน้าโมเดล และไม่ได้ใส่รายการที่สอดคล้องกันไว้ข้าง ๆ v4

สองในแถวเหล่านั้นคือแถวที่ตัดสินโปรเจกต์จริง ๆ ช่องว่าง Elo อยู่ที่ 43 คะแนนบนบอร์ดเสียงจากผู้ขาย และ 19 บนบอร์ดเสียงโคลน — เส้นของ Sonic หดแคบลงกว่าครึ่งเมื่อตรึงผู้พูดให้คงที่ นั่นคือลายเซ็นของโมเดลที่การปรับจูนนั้นแข่งขันได้ แต่ชุดเสียงเริ่มต้นกลับไม่ใช่ และมันบอกคุณว่าปัญหาของ Sonic ในการเจอกันครั้งนี้คือการนำเสนอ ไม่ใช่คุณภาพการสังเคราะห์

ทำไมช่องว่างราคาจึงเล็กกว่าที่เห็น

การเปรียบเทียบอัตราราคาที่พาดหัวข่าวทำให้เข้าใจผิดทั้งสองทาง $0.022 ต่อพันตัวอักษรของ Eleven v4 เป็นราคาโปรโมชันที่มีวันหมดอายุคือวันที่ 12 ตุลาคม ตัวเลขที่อยู่รอดหลังช่วงเวลานั้นคือ $0.08 ซึ่งสูงกว่าอัตราราคาของ Sonic 3.6 มากกว่า 60% แต่การปรับมาตรฐานของ arena ไม่สนใจโปรโมชัน โดยคิดราคาโมเดลตามอัตราราคาปกติ และได้ผลลัพธ์เป็น $80.00 เทียบกับ $49.00 ซึ่งเป็นการเปรียบเทียบที่จะยังคงเป็นจริงในเดือนพฤศจิกายน

ยังมีข้อควรพิจารณาเพิ่มอีกประการหนึ่ง คือ Cartesia ไม่ได้เผยแพร่อัตราต่อตัวอักษรบนหน้าสินค้าของตน ดังนั้นตัวเลข $0.049 จึงมาจากการปรับมาตรฐานของ arena มากกว่าจะมาจากผู้ให้บริการ และมาตรวัดทั้งสองอาจไม่ตรงกันเป๊ะ — การปรับมาตรฐานตั้งสมมติฐานเกี่ยวกับวิธีที่ผู้ให้บริการคิดค่าบริการ ให้ถือว่าลำดับความน่าเชื่อถือนั้นเชื่อถือได้ และเปอร์เซ็นต์ที่ระบุไว้เป็นเพียงค่าประมาณ

ตัวอย่างการคำนวณหนึ่งเดือนที่ปริมาณห้าล้านตัวอักษร: Eleven v4 ในอัตราโปรโมชันมีค่าใช้จ่าย $110 และ $400 หลังวันที่ 12 ตุลาคม ส่วน Sonic 3.6 มีค่าใช้จ่าย $245 ดังนั้นในสองสัปดาห์ข้างหน้า Eleven v4 จึงมีค่าใช้จ่ายน้อยกว่าครึ่งหนึ่งของ Sonic และหลังจากนั้นจะแพงกว่า 63% ใครก็ตามที่เขียนการเปรียบเทียบการจัดซื้อวันนี้แล้วเผยแพร่เดือนหน้าจะได้ข้อสรุปกลับด้าน เว้นแต่จะระบุว่าใช้อัตราใด

ช่วงที่ Sonic 3.6 เป็นคำตอบที่ถูกต้อง

มีเวิร์กโหลดเสียงในโปรดักชันที่บอร์ดอารีนาไม่ได้วัดสิ่งที่สำคัญ และ Sonic 3.6 ถูกสร้างขึ้นเพื่อรองรับเวิร์กโหลดเหล่านั้น

เอเจนต์สนทนาแบบเรียลไทม์คือกรณีที่ชัดเจนที่สุด ความหน่วงต่ำกว่า 90 มิลลิวินาทีไม่ใช่ตัวเลขการตลาดสำหรับเอเจนต์โทรศัพท์ มันคือความแตกต่างระหว่างการพูดแทรกแล้วรู้สึกว่าระบบรับมือได้ กับการรู้สึกเหมือนสายหลุด และ ElevenLabs ไม่ได้เผยแพร่ตัวเลขเทียบเท่าสำหรับ Eleven v4 เอง — มีเพียงสำหรับระดับ Turbo ที่ค่ามัธยฐานประมาณ 150 มิลลิวินาทีจนถึงเสียงพูดแรก หากงบซ็อกเก็ตของเอเจนต์คุณตึง 43 คะแนน Elo อาจมีค่าน้อยกว่ามิลลิวินาทีเหล่านั้นสำหรับคุณ และการทดสอบ barge-in ด้วยตัวคุณเองจะตัดสินได้เร็วกว่ากระดานจัดอันดับใด ๆ

การปรับใช้ในสภาพแวดล้อมที่มีการกำกับดูแลเป็นอันดับที่สอง Cartesia ระบุ HIPAA, SOC 2 Type 2, GDPR และ PCI ไว้บนหน้าผลิตภัณฑ์ รายการการปฏิบัติตามข้อกำหนดไม่ใช่ Elo และไม่สามารถใช้ Elo แทนได้ หากผู้ตรวจสอบด้านการดูแลสุขภาพหรือการชำระเงินอยู่ในเส้นทางการปล่อยของคุณ แถวนั้นของกระดานคะแนนจะมีน้ำหนักมากกว่าอีกเก้าแถวที่เหลือ

การออกเสียงแบบดีเทอร์มินิสติกเป็นข้อที่สาม และเป็นข้อที่ละเอียดอ่อนกว่า อินพุตหน่วยเสียง IPA ที่มีเอกสารประกอบของ Eleven v4 เป็นจุดแข็ง แต่พจนานุกรมการออกเสียงแบบกำหนดเองของ Sonic 3.6 คือเวิร์กโฟลว์ที่ทีมซึ่งมีคลังคำศัพท์ชื่อผลิตภัณฑ์จำนวนมากมักสร้างไว้แล้ว การพอร์ตพจนานุกรมเป็นงานที่ต้องลงมือทำจริง โมเดลที่นำอาร์ติแฟกต์ที่คุณเป็นเจ้าของไปใช้จึงได้เปรียบตั้งแต่เริ่มต้น

ที่ที่ Eleven v4 เป็นเพียงโมเดลที่ดีกว่า

ถึงอย่างนั้น บอร์ดจัดอันดับก็วัดบางสิ่งออกมา และ Eleven v4 ชนะทั้งสองรายการ ใน Provider Voice มันนำ Sonic 3.6 อยู่ 43 คะแนน โดยมี 1,674 ตัวอย่างรองรับการประเมิน และเรือธงรุ่นก่อน — ElevenLabs Eleven v3 ที่ 1,169 — ตามหลัง Sonic 3.6 อยู่ 107 คะแนน ซึ่งหมายความว่า ElevenLabs ปิดช่องว่างที่มีอยู่จริงได้ในหนึ่งเจเนอเรชัน แทนที่จะเป็นแค่การป้องกันตำแหน่งผู้นำ

จำนวนภาษาถือเป็นชัยชนะที่ชัดเจนเป็นอันดับสอง กว่า 90 ภาษาเทียบกับ 44 ภาษานั้นประมาณสองเท่า และสำหรับผลิตภัณฑ์ที่วางจำหน่ายเกินกว่าภาษาอังกฤษและภาษายุโรปเพียงไม่กี่ภาษา นั่นเป็นเรื่องของความครอบคลุมมากกว่าเป็นเรื่องของคุณภาพ — Sonic 3.6 อาจไม่มีเสียงใด ๆ เลยสำหรับบางโลแคลของคุณ และการจัดการบทสนทนาหลายผู้พูดพร้อมคำสั่งกำกับการส่งเสียงแบบอินไลน์นั้นเป็นความแตกต่างด้านความสามารถอย่างแท้จริง การเขียนเสียงหัวเราะลงในสคริปต์เป็นเวิร์กโฟลว์ที่ Sonic 3.6 ไม่ได้ระบุไว้ในเอกสาร และการสร้างเอฟเฟกต์นั้นซ้ำบนโมเดลที่ไม่มีฟีเจอร์นี้หมายถึงการประมวลผลภายหลังหรือการอัดเทคใหม่ ซึ่งมีค่าใช้จ่ายสูงกว่าที่ช่องว่าง Elo บ่งบอก

การรันอันใดอันหนึ่ง และส่วนที่เราช่วยไม่ได้

OrcaRouter ไม่ได้โฮสต์โมเดลทั้งสองนี้ ElevenLabs และ Cartesia ไม่ได้อยู่ในแคตตาล็อกของเรา ดังนั้นจึงไม่มีอะไรในการเปรียบเทียบนี้ที่เรียกใช้งานผ่านเราได้ และคำตอบที่ตรงไปตรงมาต่อคำถามที่ว่า "ทำอย่างไรถึงจะได้มันมาบน OrcaRouter" ก็คือคุณทำไม่ได้ — คุณต้องไปหาผู้ให้บริการรายนั้นเอง สิ่งที่เราจัดการคือกรณีที่สแตกเสียงพูดต้องพึ่งพาผู้ให้บริการหลายรายแทนที่จะเป็นรายเดียว: คีย์ API เดียวใช้ได้กับโมเดลมากกว่า 200 โมเดล โดยส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม 0% เพื่อให้การเปลี่ยนแปลงราคาของผู้ให้บริการมีผลในฝั่งเราภายในวันเดียวกับที่มันมีผลบังคับใช้ สำหรับการตัดสินใจที่ขึ้นอยู่กับว่าคุณจ่าย $110 หรือ $400 สำหรับจำนวนตัวอักษรในเดือนเดียวกัน จังหวะเวลานี้ไม่ใช่เรื่องเล็กเลย

ในกรณีที่เส้นทางเสียงเป็นเส้นทางที่ลูกค้าใช้งานโดยตรงและไม่สามารถหลุดได้ การสลับสำรองอัตโนมัติจะย้ายทราฟฟิกไปยังอัปสตรีมที่ทำงานปกติเมื่ออัปสตรีมตัวหนึ่งเสื่อมประสิทธิภาพ. นั่นคือแพตเทิร์นที่ทำให้ช่วงโปรโมชันสองสัปดาห์คุ้มค่าที่จะใช้ประโยชน์: คุณสามารถชี้โปรดักชันไปที่โมเดลที่ถูกกว่าเป็นเวลาสองสัปดาห์โดยไม่ต้องเขียนอินทิเกรชันใหม่ และย้ายกลับเมื่อราคากลับสู่ระดับเดิม

ใครควรเปลี่ยน และใครควรรอ

เปลี่ยนมาใช้ Eleven v4 หากผลิตภัณฑ์ของคุณถูกตัดสินกันที่เสียงว่าฟังดูเป็นอย่างไร หากคุณส่งมอบในภาษามากกว่าสองสามสิบภาษา หรือหากผู้ใช้ของคุณได้ยินเสียงใดก็ตามที่ผู้ขายเลือกให้พวกเขา — กลุ่มสุดท้ายนี้คือกลุ่มที่บอร์ด Provider Voice เป็นตัวแทนอย่างแท้จริง และช่องว่างตรงนั้นมากที่สุดในบรรดาแถวทั้งหมด

คงใช้ Sonic 3.6 ต่อไป หากคุณกำลังรันบทสนทนาแบบเรียลไทม์ภายใต้งบประมาณด้านความหน่วง หากผู้ตรวจสอบด้านการปฏิบัติตามข้อกำหนดรับรองสแตกของคุณ หรือหากคุณมีพจนานุกรมการออกเสียงที่คุณไม่สามารถเสียค่าใช้จ่ายในการสร้างใหม่ได้ ในสามแถวนั้น Sonic ไม่ได้ล้าหลัง แต่เป็นตัวเลือกเดียวที่มีคำตอบที่เผยแพร่ไว้

เดี๋ยวนะ ไม่ว่าจะกรณีไหนก็ตาม ถ้าการตัดสินใจของคุณขึ้นอยู่กับราคา อีกสองสัปดาห์นับจากนี้ เรตการ์ดของ Eleven v4 จะเปลี่ยนไปเกือบสี่เท่า ส่วนของ Sonic 3.6 จะไม่เปลี่ยน และบทเปรียบเทียบที่เขียนไว้ในวันนี้จะกลายเป็นข้อมูลที่ผิดพลาดภายในกลางเดือนตุลาคม ลำดับ Elo ยังคงใช้ได้ แต่ตัวเลขเงินไม่