Eleven v4 กับ OpenAI TTS-1 HD: สองปีแห่งการดริฟต์ในบอร์ดเดียว

OpenAI TTS-1 HD มีวันที่เปิดตัว 6 พฤศจิกายน 2023 ElevenLabs Eleven v4 มีวันที่ 28 กันยายน 2026 บน Provider Voice Arena ของ Artificial Analysis วันที่ทั้งสองนั้นห่างกัน 216 คะแนน Elo — TTS-1 HD อยู่อันดับ 35 ด้วยคะแนน 1,104 จาก 3,500 การปรากฏตัว ที่ราคา $30.00 ต่อล้านตัวอักษร ขณะที่ Eleven v4 อยู่อันดับ 1 ด้วยคะแนน 1,319 จาก 1,674 การปรากฏตัว ที่ราคา $80.00 ตัวเลขทั้งสองมีช่วงความเชื่อมั่นที่แคบ ±12 และ ±19 ดังนั้นจึงไม่ต้องสงสัยในลำดับ คำถามที่น่าสนใจไม่ใช่ว่ารุ่นไหนดีกว่า เพราะเรื่องนั้นถูกตัดสินไปแล้วก่อนที่บทความนี้จะเกิดขึ้น คำถามคือทำไมเอนด์พอยต์จากปี 2023 จึงยังมี 3,500 การปรากฏตัวบนกระดานที่โมเดลอายุห้าวันมี 1,674 และสิ่งนั้นบอกอะไรคุณเกี่ยวกับการโยกย้ายที่คุณกำลังถูกขอให้พิจารณา

สกอร์บอร์ด และแถวเดียวที่ OpenAI ชนะ

ห้ามิติเป็นตัวชี้ขาดการแข่งขันครั้งนี้ และทั้งสองด้านของแต่ละมิติล้วนควรค่าแก่การอ่านเทียบเคียงกัน

การ偏好แบบไม่เปิดเผยชื่อ เสียงของผู้ให้บริการ — Eleven v4 อันดับ 1, Elo 1,319 (±19, ปรากฏ 1,674 ครั้ง) เทียบกับ TTS-1 HD อันดับ 35, Elo 1,104 (±12, ปรากฏ 3,500 ครั้ง) ช่องว่าง 216 จุดที่ยังคงอยู่แม้พิจารณาช่วงความคลาดเคลื่อนแล้ว

• ราคาบนกระดาน ต่อล้านตัวอักษร — Eleven v4 $80.00 เทียบกับ TTS-1 HD $30.00 OpenAI ถูกกว่า 62% ที่ราคาตั้ง และถูกกว่าอีกในช่วงโปรโมชันของ ElevenLabs

• เสียง — Eleven v4 ระบุถึงการโคลนเสียงทันทีจากเสียง 10 วินาที พร้อมระดับการโคลนระดับมืออาชีพ; TTS-1 HD มาพร้อมชุดเสียงแบบคงที่ เก้าเสียงสำหรับตระกูล tts-1 ในเอกสารของ OpenAI เอง (alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer) และไม่มีความสามารถในการโคลน

• การกำกับลีลาการพูด — Eleven v4 รองรับแท็กเสียงแบบอินไลน์และพรอมป์ต์กำกับด้วยภาษาธรรมชาติ; TTS-1 HD รับข้อความล้วน และพารามิเตอร์ steerable-instructions ของ OpenAI เป็นของโมเดล TTS รุ่นใหม่กว่า ไม่ใช่รุ่นนี้

• วันที่เปิดตัว — Eleven v4 28 กันยายน 2026 เทียบกับ TTS-1 HD 6 พฤศจิกายน 2023

ราคาเป็นด้านที่ OpenAI ชนะ และเป็นการชนะที่ยิ่งใหญ่กว่าที่เห็น เพราะโปรโมชันของ ElevenLabs เป็นเพียงชั่วคราว ที่ราคา $0.022 ต่อ 1,000 ตัวอักษร Eleven v4 มีค่าใช้จ่าย $22 จนถึงวันที่ 12 ตุลาคม — ถูกกว่า TTS-1 HD โดยตรง วันที่ 12 ตุลาคม มันมีค่าใช้จ่าย $80 ต่อล้าน เทียบกับ $30 ของ OpenAI และยังคงอยู่ที่ราคานั้น

ทำไมโมเดลปี 2023 จึงมีจำนวนตัวอย่างเป็นสองเท่า

ตัวเลขนั้นเป็นสิ่งที่มีประโยชน์ที่สุดบนกระดานนี้ และมันอ่านผิดได้ง่าย จำนวนการปรากฏบน Arena สะสมไปพร้อมกับทราฟฟิก และทราฟฟิกก็สะสมไปพร้อมกับการผสานรวมที่สร้างขึ้นครั้งเดียวแล้วไม่เคยกลับไปแตะอีก TTS-1 HD มีการปรากฏ 3,500 ครั้งรองรับอยู่ เพราะมันเป็นปลายทางเสียงพูดเริ่มต้นสำหรับทุกทีมที่เรียก OpenAI สำหรับ chat completions อยู่แล้ว: คีย์เดียวกัน, SDK เดียวกัน, บิลไลน์เดียวกัน, เรียกเพิ่มอีกหนึ่งครั้ง ไม่มีอะไรในประโยคนั้นที่เกี่ยวกับคุณภาพเสียง และส่วนต่าง 216 คะแนนก็ไม่ได้หยุดมัน

นี่คือหน้าตาของหนี้จากการย้ายระบบบนกระดานจัดอันดับ มันไม่ใช่สัญญาณว่ารุ่นเก่ายังแข่งขันได้ แต่เป็นสัญญาณว่าการเปลี่ยนระบบมีต้นทุน และทีมจำนวนมากตัดสินใจว่าต้นทุนนั้นมีค่ามากกว่า 216 คะแนน Elo นั่นเป็นข้อสรุปที่สมเหตุสมผลสำหรับการอ่านข้อความแจ้งเตือนออกเสียง แต่เป็นข้อสรุปที่ไม่ดีสำหรับผลิตภัณฑ์ที่เสียงคือสิ่งที่ลูกค้าได้ยิน

เหตุผลที่ควรคงใช้ TTS-1 HD

มีสามสิ่งที่ทำให้มันยังคงป้องกันได้ และไม่มีสักข้อที่เป็นเรื่องของคุณภาพ

ความเป็นดีเทอร์มินิสติกต้องมาก่อน ชุดเสียงจำนวนเก้าที่กำหนดตายตัวให้ผลลัพธ์ที่สม่ำเสมอในทุกเวอร์ชัน ในแบบที่ไปป์ไลน์การโคลนเสียงทำไม่ได้ และผลลัพธ์ที่สม่ำเสมอก็คือสิ่งที่คุณต้องการในเส้นทางแบบยูทิลิตี้ที่ไม่มีใครฟังเพื่อความศิลปะ ไม่มีโคลนให้คลาดเคลื่อน ไม่มีตัวอย่างอ้างอิงให้บันทึกใหม่ และไม่มีหลักฐานความยินยอมให้ต้องดูแลรักษา

ต้นทุนการผสานรวมเป็นข้อที่สอง และเป็นข้อที่อารีนาไม่สามารถตีราคาได้ การเพิ่มผู้ให้บริการระบบเสียงรายที่สองหมายถึงบัญชีใหม่ ตารางอัตราค่าบริการใหม่ โหมดความล้มเหลวใหม่ และสิ่งใหม่ที่ต้องเฝ้าติดตาม สำหรับทีมที่อยู่ในสแต็ก OpenAI อยู่แล้ว นั่นคือเวลาทำงานทางวิศวกรรมจริง ๆ และคะแนน Elo 216 คะแนนก็ไม่คุ้มกับเวลานั้น

ปริมาณระดับล่างคือระดับที่สาม ที่ราคา 30 ดอลลาร์ต่อล้านตัวอักษร ค่าใช้จ่ายด้านเสียงรายเดือนทั้งหมดของผลิตภัณฑ์เล็ก ๆ เป็นแค่เศษเสี้ยวที่ปัดทิ้งได้ และไม่มีอะไรให้ต้องไปปรับให้เหมาะสม นี่คือระดับที่คำตอบแบบประหยัดกับคำตอบแบบขี้เกียจเป็นคำตอบเดียวกัน และนั่นก็โอเค

ข้อโต้แย้งสำหรับการย้าย และข้อโต้แย้งตอบโต้

เปลี่ยนเมื่อเสียงต้องสื่อสารกับลูกค้า การโคลนเสียงในสิบวินาที การกำกับอารมณ์แบบอินไลน์ ภาษามากกว่า 90 ภาษา และขีดจำกัดอินพุต 10,000 ตัวอักษรต่อคำขอ ไม่ใช่ความแตกต่างเพียงผิวเผินเมื่อเทียบกับชุดเสียงเก้าคงที่จากปี 2023 และช่องว่าง 216 คะแนนในอารีน่าเป็นเวอร์ชันย่อของช่องว่างความสามารถที่ใหญ่กว่ามาก หากคุณกำลังสร้างเอเจนต์ ผู้ช่วยที่มีแบรนด์ หรือสิ่งใดก็ตามที่ผู้ฟังเกิดความเห็นเกี่ยวกับผลิตภัณฑ์ของคุณภายในประโยคแรก เอนด์พอยต์รุ่นเก่าคือค่าเริ่มต้นที่ผิด

ข้อโต้แย้งก็คือ "ย้ายไป Eleven v4" ไม่ใช่ทางเลือกเดียว นับจากนั้น OpenAI ได้เปิดตัวโมเดล TTS ที่ใหม่กว่าพร้อมพารามิเตอร์คำสั่งที่ควบคุมทิศทางได้ และ Gemini 3.8 Flash TTS ของ Google อยู่อันดับสามบนตารางอันดับเดียวกันที่ 1,267 และราคาที่ปรับมาตรฐานแล้ว 16.49 ดอลลาร์ต่อล้าน — เพิ่มขึ้น 163 คะแนนจาก TTS-1 HD ในราคาประมาณครึ่งหนึ่งของราคาบนตารางอันดับ หากข้อจำกัดของคุณคือการอยู่ในผู้ให้บริการรายเดิม นั่นคือการอัปเกรดที่ถูกกว่า หากข้อจำกัดคือการอยู่ในคลาวด์ปัจจุบันของคุณ มันคือทางเลือกเดียว

OrcaRouter อยู่ตรงไหนจริง ๆ ในการเปรียบเทียบนี้

This is the rare article in this series where we host one of the two models, so let us be precise about which. openai/tts-1-hd is live in the OrcaRouter catalogue at OpenAI's list rate passed through at 0% markup: $30 per million, model ID openai/tts-1-hd, served on the OpenAI-compatible endpoint at https://api.orcarouter.ai/v1 with a POST /v1/audio/speech route and the voice, speed and response_format parameters. Our own page reports a median latency of 2,461 ms and a 95th percentile of 4,769 ms, which is the honest reason not to put it in front of a live conversation — that is a batch-shaped number, not an agent-shaped one.

ElevenLabs Eleven v4 ไม่ได้อยู่ในแคตตาล็อกของเรา และไม่มีอะไรให้เรียกผ่านเราได้ — มันเข้าถึงได้ผ่าน API ของ ElevenLabs เอง ด้วยเรตการ์ดของ ElevenLabs เอง สิ่งที่คีย์เดียวเปลี่ยนแปลงไปคือรูปแบบของการโยกย้าย หากเหตุผลที่คุณยังไม่ได้ทดสอบผู้นำคนใหม่คือมันหมายถึงการผสานรวมกับผู้ให้บริการรายที่สอง ต้นทุนในการหาคำตอบก็คือการเรียก API เพียงครั้งเดียวด้วยคีย์ที่คุณมีอยู่แล้ว แทนที่จะเป็นรอบการจัดซื้อจัดจ้าง ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยบวกกำไร 0% ดังนั้นการปรับราคาของผู้ให้บริการ — รวมถึงการกลับสู่ราคาเดิมของ ElevenLabs เมื่อวันที่ 12 ตุลาคม — จึงมีผลทันทีในฝั่งเราในวันที่เกิดขึ้น และการสลับไปใช้ระบบสำรองอัตโนมัติ หมายความว่าเส้นทางการพูดที่อยู่ระหว่างการประเมินไม่จำเป็นต้องกลายเป็นสิ่งที่ต้องพึ่งพาในการผลิตในระหว่างที่คุณตัดสินใจ

การคำนวณที่ควรจะยุติเรื่องนี้

ห้าล้านตัวอักษรต่อเดือน ซึ่งเป็นผลิตภัณฑ์ขนาดกลางและเทียบเท่าเสียงพูดประมาณ 100 ชั่วโมง TTS-1 HD มีค่าใช้จ่าย $150 Eleven v4 มีค่าใช้จ่าย $110 ในช่วงโปรโมชัน และ $400 หลังวันที่ 12 ตุลาคม Gemini 3.8 Flash TTS เมื่อคิดตามการปรับมาตรฐานของบอร์ด มีค่าใช้จ่ายประมาณ $82.50

ทวนตัวเลขสี่ตัวนั้นกลับมา แล้วการตัดสินใจก็แยกออกจากกันอย่างชัดเจน ในช่วงเวลานั้น โมเดลที่ใหม่ที่สุดและมีอันดับดีที่สุดบนบอร์ดก็ยังเป็นตัวที่ถูกที่สุดเป็นอันดับสองด้วย — ถูกกว่าเอนด์พอยต์ปี 2023 ที่มันเอาชนะไป 216 คะแนน Elo หลังวันที่ 12 ตุลาคม มันกลายเป็นตัวเลือกที่แพงที่สุดในรายการ โดยแพงกว่าเกือบห้าเท่า ไม่มีอะไรเกี่ยวกับโมเดลเปลี่ยนไปในวันนั้น มีเพียงใบแจ้งหนี้เท่านั้นที่เปลี่ยน

ดังนั้น: ถ้าคุณกำลังประเมินในเดือนนี้ ให้ประเมินด้วยอัตราโปรโมชัน และเขียนอัตราตามรายการลงในกรณีทางธุรกิจ ถ้าคุณจะเริ่มใช้งานในไตรมาสหน้า ให้วางแผนจาก $0.08 ต่อ 1,000 ตัวอักษร และให้ถือว่าการเปรียบเทียบใดที่อ้าง $0.022 เป็นเอกสารที่พิมพ์วันหมดอายุไว้แล้ว และถ้าคุณใช้ TTS-1 HD อยู่ และเหตุผลจริง ๆ คือความเฉื่อยในการผสานรวม ขั้นแรกที่มีประโยชน์ไม่ใช่แผนการย้ายระบบ — แต่เป็นการทดสอบ A/B ครั้งเดียวบนสคริปต์ของคุณเอง โดยคิดราคาด้วยอัตราที่คุณจะจ่ายจริงในเดือนพฤศจิกายน