Fish Audio Drama 3 vs Eleven v4: โมเดลหนึ่งชนะคะแนนโหวตความชอบ ส่วนอีกโมเดลหนึ่งชนะเรื่องคำ

ElevenLabs Eleven v4 กับ Fish Audio Drama 3 ไม่เห็นด้วยว่าคะแนน text-to-speech มีไว้เพื่อวัดอะไร บน Provider Voice Arena ของ Artificial Analysis Eleven v4 อยู่อันดับสองด้วย Elo 1,334 และ Drama 3 อยู่อันดับหกที่ 1,278 ส่วนบน Controlled Voice Arena ซึ่งทั้งสองถูกให้คะแนนเทียบกับเสียงอ้างอิงชุดเดียวกัน Eleven v4 อยู่อันดับสี่ที่ 1,156 และ Drama 3 อยู่อันดับสิบสองที่ 1,085 ช่องว่าง 56 และ 71 คะแนนนั้นมากพอที่จะอยู่นอกเหนือความคลาดเคลื่อนอย่างชัดเจน และทั้งคู่ก็บอกสิ่งเดียวกัน: ผู้ฟังชอบ Eleven v4 มากกว่า จากนั้นห้องแล็บเดียวกันถามผู้ตรวจสอบที่เป็นมนุษย์ว่าคำยากแต่ละคำในประโยคออกเสียงถูกต้องจริงหรือไม่ และ Drama 3 ได้ 93.2% เทียบกับ 91.7% ของ Eleven v4 โดยทั้งสองอยู่คนละขั้วของหมวดหมู่ที่ตัดสินว่าชื่อแบรนด์ ตัวเลข หรือรหัสชิ้นส่วนจะออกมาครบถ้วนหรือไม่ ช่องว่างด้านความชอบนั้นมีจริง และช่องว่างด้านการออกเสียงก็มีจริง และไม่มีตัวเลขใดตัวเลขเดียวที่ทำให้ทั้งสองอย่างลงรอยกันได้

ช่องว่างที่ไม่อาจปิดลง และช่องว่างที่ปิดลงได้

เริ่มจากสิ่งที่ Eleven v4 ยังไม่ได้สูญเสียไป Eleven v4 เปิดให้ใช้งานทั่วไปเมื่อ 2026-09-28 ซึ่งเป็นเวลาสี่สัปดาห์หลังจากโมเดลของ Fish Audio เปิดตัว และนับตั้งแต่นั้นมา มันยังคงครองสองอันดับแรกในหมวดเสียงผู้ให้บริการผ่านการอัปเดตกระดานจัดอันดับทุกครั้ง ช่องว่างปัจจุบันเหนือ Drama 3 อยู่ที่ 56 Elo ในหมวดเสียงผู้ให้บริการ และ 71 ในหมวดเสียงแบบควบคุม — และกระดานแบบควบคุมคือการทดสอบที่ยากกว่า เพราะตัดแค็ตตาล็อกเสียงของผู้ขายแต่ละรายออกจากการเปรียบเทียบ ไม่ว่าการนำของ Drama 3 ในหมู่โมเดลโอเพนเวตส์จะหมายความว่าอะไร มันไม่ได้หมายความว่า Drama 3 ฟังดูดีกว่า Eleven v4 สำหรับผู้ฟังแบบไม่รู้ว่าใครเป็นใคร และการเปรียบเทียบใดที่สื่อเป็นนัยเช่นนั้นกำลังขายอะไรบางอย่างอยู่

สิ่งที่ Drama 3 มีคือรายละเอียดแยกตามหมวดหมู่ในเกณฑ์มาตรฐาน English Pronunciation Robustness ของ Artificial Analysis ซึ่งมี 31 โมเดลที่ได้รับการให้คะแนน และอันดับสูงสุดเป็นตำแหน่งร่วมกัน:

• โดยรวม — Drama 3 93.2% อยู่อันดับหนึ่งร่วมกับ Ming-3.0-tts; Eleven v4 91.7%; Eleven v4 Turbo 90.1%

• คำเฉพาะเดี่ยว (แบรนด์ สถานที่ ชื่อทางเทคนิค) — Drama 3 95.9% ครองอันดับหนึ่งบนกระดาน; Eleven v4 อยู่ถัดลงมา

การขยายคำย่อ (ตัวเลข วันที่ หน่วย สัญกรณ์) — Eleven v4 94.1% เป็นอันดับหนึ่ง; Drama 3 93.6% เป็นอันดับสอง

• การคงไว้ซึ่งลำดับที่แน่นอน (โค้ด, พาธ, อีเมล) — Drama 3 ได้ 86.3% เป็นอันดับสองบนกระดานคะแนนตามหลัง Ming-3.0-tts ที่ 90.6%; Eleven v4 ได้ 78.8% ซึ่งเป็นหมวดหมู่ที่อ่อนแอที่สุดของตัวเองโดยทิ้งห่างมาก

• เหมาะสมตามบริบท — Drama 3 95.3%; Google Gemini 3.8 Flash TTS ครองอันดับหนึ่งของตารางทั้งหมดที่ 98.0%

รูปแบบนี้ใช้งานได้ หากสคริปต์ของคุณเป็นข้อความบรรยายเป็นส่วนใหญ่และมีตัวเลขอยู่ไม่กี่ตัว การจัดการรูปแบบย่อของ Eleven v4 ถือเป็นตัวเลือกที่ดีกว่า และความแตกต่างโดยรวมน้อยกว่าสองจุด หากสคริปต์ของคุณมี SKU หมายเลขเคส URL รหัสอะไหล่ หรือที่อยู่อีเมลที่ต้องอ่านออกเสียง Eleven v4 เป็นโมเดลที่อ่อนที่สุดในกลุ่มท็อปในหมวดหมู่นี้โดยเฉพาะ — 78.8% หมายความว่าประมาณหนึ่งในห้าของลำดับที่ตรงกันทุกตัวจะถูกอ่านออกมาผิด — และ Drama 3 ที่ 86.3% ก็ยังไม่สมบูรณ์แบบ แต่มันคือความแตกต่างระหว่างตัวแทนฝ่ายสนับสนุนที่อ่านหมายเลขตั๋วเพียงครั้งเดียว กับตัวแทนที่ต้องอ่านถึงสองครั้ง

ไวยากรณ์สองแบบสำหรับทิศทางเดียวกัน

ทั้งสองโมเดลช่วยให้คุณเขียนส่วนประสิทธิภาพไว้ในสคริปต์ได้ และรูปแบบสัญกรณ์ก็ใกล้เคียงกันมากพอที่ทีมจะพอร์ตสคริปต์ได้ภายในบ่ายเดียว — ซึ่งทำให้ความแตกต่างที่ยังเหลืออยู่นั้นควรค่าแก่การรู้ไว้

ElevenLabs ใช้แท็กเสียงแบบอินไลน์ — [laughs], [whispers], [sighs], [said angrily in French accent] หรือแม้แต่ [light rain] — ใส่ลงไปในข้อความตรงจุดที่ต้องการให้การออกเสียงเปลี่ยนไป ผู้จำหน่ายได้จัดทำเอกสารประกอบเกี่ยวกับแท็กเสียงสำหรับ Eleven v4 Turbo และ Eleven v4 ก็ใช้ไวยากรณ์แบบเดียวกัน ทั้งสองเวอร์ชันเปิดให้ใช้งานทั่วไป (GA) เมื่อวันที่ 2026-09-28 Eleven v4 จำกัดอินพุตไว้ที่ 10,000 ตัวอักษรต่อคำขอ หรือคิดเป็นเสียงยาวประมาณสิบนาที ดังนั้นสคริปต์แบบยาวจึงต้องถูกแบ่งเป็นท่อน ๆ ตามขอบเขตของประโยคแล้วนำมาต่อกัน ซึ่งตรรกะในการต่อเสียงนี้จะกลายเป็นปัญหาที่คุณต้องจัดการเอง มีการรองรับบทสนทนาที่มีผู้พูดหลายคน และเวอร์ชันที่เน้นความหน่วงต่ำซึ่งเป็นเวอร์ชันพี่น้องกันระบุว่าความหน่วงในการประมวลผลค่ามัธยฐานอยู่ที่ประมาณ 100 มิลลิวินาที โดยไม่รวมภาระจากแอปพลิเคชันและเครือข่าย

สัญกรณ์ของ Fish Audio เป็นรูปแบบการใช้วงเล็บ โดยมีชั้นของแท็กที่จับคู่กันซ้อนอยู่ด้านบน ซึ่งมีเอกสารอธิบายไว้ในหน้า Drama 3 ของตนเอง:

• คำกำกับในวงเล็บที่วางไว้หน้าคำที่มันขยาย — [แทบจะประคองตัวเองไว้ไม่อยู่ ฝืนยิ้ม] — เขียนในแบบที่ผู้กำกับจะบรีฟนักพากย์

• เสียงและจังหวะหยุดในวงเล็บเดียวกัน — [ลมหายใจสั่น], [หัวเราะเบาๆ] — วางไว้ตรงตำแหน่งที่เกิดขึ้นจริง

• แท็กแบบจับคู่ที่เปลี่ยนเฉพาะคำที่ถูกห่อไว้เท่านั้น: whisper, emphasis, soft, fast, slow, stress, forceful ไม่มีเอกสารระบุถึงการควบคุมระดับรายคำที่เทียบเท่ากันทางฝั่ง ElevenLabs

• คำกำกับที่เขียนในภาษาใดก็ได้ โดยไม่ขึ้นกับภาษาของบท นี่คือความสามารถที่ฉันจะทดสอบเป็นอันดับแรก เพราะเป็นความสามารถที่เปลี่ยนว่าใครสามารถใช้เครื่องมือนี้ได้: ผู้กำกับที่ไม่เขียนภาษาอังกฤษก็ยังกำกับการแสดงภาษาอังกฤษได้ Wait I missed second sentence. Need include full. Let's produce complete: • คำกำกับที่เขียนในภาษาใดก็ได้ โดยไม่ขึ้นกับภาษาของบท วงเล็บคำกำกับภาษาจีนที่วางอยู่หน้าบรรทัดภาษาอังกฤษได้รับการบันทึกและสาธิตไว้แล้ว นี่คือความสามารถที่ฉันจะทดสอบเป็นอันดับแรก เพราะเป็นสิ่งเดียวที่เปลี่ยนว่าใครสามารถใช้เครื่องมือนี้ได้: ผู้กำกับที่ไม่เขียนภาษาอังกฤษก็ยังกำกับการแสดงภาษาอังกฤษได้

• การปักหมุดหน่วยเสียงแยกตามภาษา พร้อมเส้นทาง pinyin และ romaji ที่มีเอกสารกำกับสำหรับภาษาจีนและญี่ปุ่น และแท็กสลับภาษาที่เปลี่ยนวลีหนึ่งให้เป็นอีกภาษาหนึ่งกลางบรรทัด — ซึ่งระบุในเอกสารว่าเป็นฟีเจอร์ทดลอง

• ผู้พูดหลายคนในคำขอเดียว: หนึ่ง voice id ต่อผู้พูดในอาร์เรย์ reference_id โดยแต่ละเทิร์นเริ่มต้นด้วยแท็กผู้พูด เช่น <|speaker:0|> และคำสั่งแนวทางกับแท็กที่จับคู่กันจะใช้งานได้ภายในแต่ละเทิร์น

พื้นผิวควบคุมแตกต่างกันโดยแท้จริงในประเภท ไม่ใช่แค่ชื่อเรียก ElevenLabs ให้ชุดคำสั่งแบบแท็กที่ปรับให้เหมาะกับอารมณ์และการส่งเสียง ส่วน Fish Audio ให้ทั้งอารมณ์ การกำหนดการออกเสียงแบบสัทศาสตร์ การสลับภาษา และการกำหนดขอบเขตระดับคำ ซึ่งใกล้เคียงกับเครื่องมือมาสเตอร์ริ่งมากกว่าเครื่องมือสำหรับการแสดง สำหรับงานหนังสือเสียงและงานพากย์ ชุดที่สองมีประโยชน์กว่า สำหรับข้อความการตลาดเชิงสนทนาหรือเชิงแสดงอารมณ์ แท็กของ Eleven อ่านได้เป็นธรรมชาติกว่า และคะแนนความชอบก็สอดคล้องกัน

เงินน่ะ ขึ้นอยู่กับบทที่คุณมีจริง ๆ

การเปรียบเทียบแบบต่อชั่วโมงระหว่างสองบริการนี้ไม่น่าเชื่อถือ เพราะผู้ให้บริการเรียกเก็บเงินในหน่วยที่ต่างกันและสื่อถึงอัตราการพูดที่ต่างกัน ให้คำนวณจากสคริปต์ความยาวคงที่แทน Eleven v4 ตั้งราคาไว้ที่ $80.00 ต่อหนึ่งล้านอักขระ ดังนั้นสคริปต์ 100,000 อักขระจึงมีค่าใช้จ่าย $8.00 Drama 3 ตั้งราคาไว้ที่ $50.00 ต่อหนึ่งล้านไบต์ UTF-8 และภาษาอังกฤษโดยทั่วไปใกล้เคียงหนึ่งไบต์ต่อหนึ่งอักขระ สคริปต์เดียวกันจึงมีค่าใช้จ่าย $5.00 — และเหลือ $1.00 ในช่วงโปรโมชั่นเปิดตัว ซึ่งมีผลถึง 2026-11-12 09:00 PT ในอัตรา $10.00 ต่อหนึ่งล้านไบต์

นั่นคือรูปร่างที่แท้จริงของส่วนต่างราคา: Drama 3 ถูกกว่าต่อตัวอักษรภาษาอังกฤษ 37% ที่ราคาตั้ง และถูกกว่า 87% ในช่วงโปรโมชัน ไม่ใช่ 60% ที่การเปรียบเทียบตัวอักษรต่อตัวอักษรแบบง่าย ๆ ระหว่าง $80 กับ $50 จะชวนให้คิด หากคุณลืมหน่วยไป รายละเอียดอีกสองข้อควรอยู่ในงบประมาณมากกว่าในเชิงอรรถ คำสั่งในวงเล็บนับเป็นข้อความอินพุตและถูกคิดเงินบนทั้งสองแพลตฟอร์ม ดังนั้นบทที่เต็มไปด้วยคำสั่งจึงมีค่าใช้จ่ายมากกว่าที่จำนวนคำบอกไว้ 10-25% และที่ Fish Audio คำขอที่หัวโมเดลหายไปหรือสะกดผิดจะไม่ล้มเหลว — มันจะถอยไปใช้ s2.1-pro ซึ่งในช่วงโปรโมชันคิดเงินที่ $15.00 ต่อล้านไบต์แทนที่จะเป็น $10.00 การพิมพ์ผิดในหัวเพียงจุดเดียวคือการขึ้นราคาแบบเงียบ ๆ 50%

โมเดลค่าใช้จ่ายของ ElevenLabs แตกต่างในเชิงพื้นฐาน: แพ็กเกจสมัครสมาชิกนั้นรวมการโคลนเสียงไว้ด้วย โดยการโคลนเสียงแบบทันทีเริ่มต้นที่แพ็กเกจ Starter ราคา $6 ส่วนการโคลนระดับมืออาชีพเริ่มที่แพ็กเกจ Creator ราคา $22 Fish Audio ขายการโคลนเสียงผ่านระบบเครดิตเดียวกับการสร้างเสียง และ Drama 3 ใช้เครดิตเดียวกันกับ S2.1 Pro หากการโคลนเสียงเป็นหัวใจหลักของเวิร์กโฟลว์ของคุณ มากกว่าจะเป็นเพียงฟีเจอร์ที่ใช้แค่ครั้งคราว การเปรียบเทียบนี้จึงเป็นการเปรียบเทียบแพ็กเกจ ไม่ใช่การเปรียบเทียบต่อจำนวนตัวอักษร

การอนุญาตให้ใช้สิทธิ และข้อสัญญาที่ทั้งสองฝ่ายไม่อาจต่อรองได้

ทั้งสองผู้ให้บริการจะไม่อนุญาตให้คุณโคลนบุคคลโดยไม่ได้รับความยินยอม และทั้งคู่ระบุเช่นนั้นอย่างชัดเจน ความแตกต่างอยู่ที่สิ่งที่เกิดขึ้นกับตัวโมเดลเอง Eleven v4 เป็น API แบบปิด: คุณได้รับสิทธิ์ใช้งานเอาต์พุต ไม่ใช่ค่าน้ำหนักโมเดล และข้อจำกัดในทางปฏิบัติคืออัตราค่าบริการ Drama 3 เผยแพร่ค่าน้ำหนักบน Hugging Face ในชื่อ fishaudio/drama-3 ภายใต้ Fish Audio Community License v1.0 — ใช้ฟรีสำหรับการวิจัยและการใช้งานที่ไม่ใช่เชิงพาณิชย์ ใช้ฟรีสำหรับเชิงพาณิชย์หากรายได้ต่อปีของคุณและบริษัทในเครือต่ำกว่า US$500,000 และต้องขอสิทธิ์ใช้งานแยกต่างหากเมื่อเกินเกณฑ์ดังกล่าว หรือหากคุณต้องการให้บริการ Drama 3 เองในฐานะบริการแบบโฮสต์ Artificial Analysis ระบุว่าเป็น open weights ที่ไม่มีสิทธิ์ใช้งานเชิงพาณิชย์เต็มรูปแบบ ซึ่งถูกต้อง

เรื่องนี้ใช้ได้ทั้งสองทางเมื่อเทียบกัน คุณไม่สามารถ self-host เพื่อหลุดจากราคาของ ElevenLabs ได้ และคุณก็ไม่สามารถกลายเป็นผู้ให้บริการ TTS บน weights ของ Fish Audio อย่างเงียบ ๆ ได้ แต่ในวันนี้ คุณสามารถวาง Drama 3 ลงบนการ์ด 48 GB และสร้างเสียงด้วยต้นทุนส่วนเพิ่มเพียงค่าไฟฟ้า ซึ่งเป็นการคุยเรื่องการจัดซื้อที่แตกต่างจาก $8.00 ต่อ 100,000 ตัวอักษร และนี่คือสิ่งที่ตัดสินงานแคตตาล็อกระยะยาว

ควรวางอันไหนไว้หน้าเราเตอร์

ทั้ง Fish Audio Drama 3 และ ElevenLabs Eleven v4 ต่างไม่ใช่หนึ่งในโมเดลบน OrcaRouter โดย Drama 3 เข้าถึงได้ผ่าน API ของ Fish Audio เองและแพลตฟอร์มบุคคลที่สามหลายแห่ง ส่วน Eleven v4 เข้าถึงผ่าน API ของ ElevenLabs สิ่งที่วางอยู่ด้านหน้าทั้งสองโมเดล ตามรูปแบบที่บล็อกนี้แนะนำอย่างต่อเนื่อง คือชั้นการจัดเส้นทาง — คีย์เดียวใช้ได้กับโมเดลประมาณ 200 รุ่น ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม การสลับไปใช้ระบบสำรองอัตโนมัติ และ DSL สำหรับการจัดเส้นทางที่รองรับเสียงสองเสียงไว้ภายใต้จุดเรียกใช้งานเดียว

เหตุผลที่สำคัญสำหรับการจับคู่เฉพาะกรณีนี้คือ คำตอบที่ถูกต้องคือ “ทั้งสองอย่าง สำหรับประโยคที่ต่างกัน” ไปป์ไลน์สำหรับละครระดับโปรดักชันต้องการ Drama 3 ในบรรทัดที่มีคำนามเฉพาะและรหัส และอาจยังต้องการ Eleven v4 ในท่อนที่ผู้ฟังตัดสินเสียงเองการหลอมรวมโมเดลและ DSL สำหรับการกำหนดเส้นทางช่วยให้ไปป์ไลน์จัดการเรื่องนี้เป็นอินเทอร์เฟซเดียวโดยเลือกได้ต่อแต่ละส่วน แทนที่จะเป็นการเชื่อมต่อสองครั้ง ตารางราคาสองชุด และพฤติกรรมการลองใหม่สองชุด เมื่อผู้ให้บริการปรับราคา การส่งผ่านราคาทำให้การเปลี่ยนแปลงมาถึงฝั่งคุณในวันเดียวกันแทนที่จะเป็นตอนต่อสัญญาครั้งถัดไป ซึ่งสำคัญกว่าปกติในกรณีนี้ เพราะอัตราโปรโมชันของ Fish Audio หมดอายุในวันที่ 2026-11-12 และการเปรียบเทียบที่มีผลจริงจะเปลี่ยนไปในชั่วข้ามคืน

สำหรับผู้อ่านที่ต้องเลือกเพียงตัวเดียว: Eleven v4 หากตัดสินผลงานกันที่เสียงที่ได้ยิน และบทเขียนด้วยภาษาธรรมดา ส่วน Drama 3 หากผลงานต้องถูกต้องเรื่องชื่อ ตัวเลข และรหัส หากงานเป็นรูปแบบยาวและอ่อนไหวต่อราคา หากคุณต้องการไฟล์น้ำหนักโมเดล หรือหากคนที่เขียนคำสั่งกำกับไม่ถนัดภาษาอังกฤษ The arena บอกว่า Eleven ฟังดูดีกว่า ส่วนกระดานจัดอันดับการออกเสียงบอกว่า Drama ออกเสียงได้ถูกต้องกว่า ทั้งสองเป็นชุดเบนช์มาร์กเดียวกัน และคำถามที่มีประโยชน์จริง ๆ คือ production ของคุณกำลังเจอความล้มเหลวแบบใดในสองแบบนั้น