Fish Audio Drama 3 vs Eleven v4: Một mô hình thắng phiếu bầu ưu tiên, mô hình kia thắng về lời thoại

ElevenLabs Eleven v4 và Fish Audio Drama 3 không đồng quan điểm về mục đích của điểm số chuyển văn bản thành giọng nói. Trên Provider Voice Arena của Artificial Analysis, Eleven v4 đứng thứ hai với Elo 1.334 và Drama 3 đứng thứ sáu với 1.278; trên Controlled Voice Arena, nơi cả hai được chấm điểm so với cùng các giọng tham chiếu, Eleven v4 đứng thứ tư với 1.156 và Drama 3 đứng thứ mười hai với 1.085. Đó là những khoảng cách 56 và 71 điểm, cả hai đều vượt xa mức nhiễu, và cả hai đều nói lên cùng một điều: người nghe thích Eleven v4 hơn. Rồi cùng phòng thí nghiệm đó hỏi những người đánh giá là con người xem từng từ khó trong một câu có thực sự được phát âm đúng hay không, và Drama 3 đạt 93,2% so với 91,7% của Eleven v4, với hai bên ở hai đầu đối lập của hạng mục quyết định liệu một tên thương hiệu, một con số hay một mã bộ phận có được phát ra nguyên vẹn hay không. Khoảng cách về sở thích là có thật và khoảng cách về phát âm cũng vậy, và không có một con số nào dung hòa được cả hai.

Khoảng cách không khép lại, và khoảng cách khép lại.

Hãy bắt đầu với những gì Eleven v4 chưa đánh mất. Nó ra mắt chính thức vào 2026-09-28, bốn tuần sau khi mô hình của Fish Audio được phát hành, và kể từ đó đã giữ hai vị trí đứng đầu ở hạng mục giọng của nhà cung cấp qua mọi lần cập nhật bảng xếp hạng. Khoảng cách hiện tại so với Drama 3 là 56 Elo ở nhóm giọng của nhà cung cấp và 71 ở nhóm giọng được kiểm soát — và bảng xếp hạng giọng được kiểm soát là bài kiểm tra khó hơn, vì nó loại bỏ danh mục giọng riêng của từng nhà cung cấp khỏi phép so sánh. Dù vị trí dẫn đầu của Drama 3 trong số các mô hình trọng số mở có ý nghĩa gì đi nữa, thì điều đó không có nghĩa là Drama 3 nghe hay hơn Eleven v4 đối với một người nghe không biết danh tính mẫu, và bất kỳ so sánh nào ngụ ý điều ngược lại đều đang bán một thứ gì đó.

Điều Drama 3 có là bảng phân tích theo từng hạng mục trên bài kiểm chuẩn Độ bền phát âm tiếng Anh của Artificial Analysis, nơi 31 mô hình được chấm điểm và vị trí đứng đầu được chia sẻ:

• Tổng thể — Drama 3 93,2%, đồng hạng nhất với Ming-3.0-tts; Eleven v4 91,7%; Eleven v4 Turbo 90,1%.

• Các thuật ngữ độc lập (thương hiệu, địa danh, tên kỹ thuật) — Drama 3 95.9%, đứng đầu bảng; Eleven v4 xếp dưới nó.

• Mở rộng dạng viết tắt (số, ngày tháng, đơn vị, ký hiệu) — Eleven v4 94,1%, hạng nhất; Drama 3 93,6%, hạng nhì.

• Bảo toàn chính xác các chuỗi (mã, đường dẫn, email) — Drama 3 đạt 86.3%, đứng thứ hai trên bảng xếp hạng sau Ming-3.0-tts với 90.6%; Eleven v4 đạt 78.8%, đây là hạng mục yếu nhất của nó với cách biệt lớn.

• Phù hợp về ngữ cảnh — Drama 3 95,3%; Google Gemini 3.8 Flash TTS dẫn đầu toàn bộ bảng xếp hạng với 98,0%.

Mẫu này vẫn dùng được. Nếu kịch bản của bạn chủ yếu là văn xuôi với một vài con số, cách xử lý dạng viết tắt của Eleven v4 tốt hơn và chênh lệch tổng thể dưới hai điểm. Nếu kịch bản của bạn chứa mã SKU, số hồ sơ, URL, mã linh kiện hoặc địa chỉ email được đọc thành tiếng, Eleven v4 là mô hình yếu nhất trong nhóm dẫn đầu đúng ở hạng mục đó — 78,8% nghĩa là cứ khoảng năm chuỗi chính xác thì có một chuỗi bị trả về sai — và Drama 3 với 86,3% vẫn chưa hoàn hảo, nhưng đó là khác biệt giữa một nhân viên hỗ trợ đọc số ticket một lần và một người phải đọc hai lần.

Hai cú pháp cho cùng một hướng

Cả hai mô hình đều cho phép bạn viết hiệu năng vào script, và các ký pháp đủ sát nhau đến mức một nhóm có thể chuyển một script trong một buổi chiều — điều đó khiến những khác biệt còn lại đáng để tìm hiểu.

ElevenLabs sử dụng các thẻ âm thanh nội tuyến — [laughs], [whispers], [sighs], [said angrily in French accent], thậm chí cả [light rain] — được chèn vào văn bản tại những vị trí cần thay đổi cách thể hiện. Nhà cung cấp có tài liệu về các thẻ âm thanh cho Eleven v4 Turbo, và Eleven v4 tuân theo cú pháp tương tự; cả hai đều đạt trạng thái GA vào ngày 28/09/2026. Eleven v4 giới hạn đầu vào ở 10.000 ký tự mỗi yêu cầu, tương đương khoảng mười phút âm thanh, vì vậy một kịch bản dạng dài phải được chia nhỏ tại ranh giới câu và ghép nối lại, khi đó phần logic ghép nối sẽ trở thành vấn đề của chính bạn. Hội thoại nhiều người nói được hỗ trợ, và phiên bản anh em có độ trễ thấp công bố độ trễ suy luận trung vị khoảng 100 mili giây, không tính chi phí phụ trợ từ ứng dụng và mạng.

Ký pháp của Fish Audio là một quy ước dùng dấu ngoặc, có thêm một lớp thẻ ghép cặp ở bên trên, được trình bày trong các trang Drama 3 riêng của nó:

• Chỉ dẫn trong ngoặc đặt trước những từ mà chúng chi phối — [cố gắng lắm mới giữ được bình tĩnh, gượng nở một nụ cười] — được viết theo cách một đạo diễn sẽ hướng dẫn diễn viên lồng tiếng.

• Âm thanh và khoảng dừng nằm trong cùng một cặp ngoặc — [hơi thở run rẩy], [tiếng cười nhẹ] — được đặt chính xác ở nơi chúng xuất hiện.

• Các thẻ ghép cặp chỉ thay đổi những từ được bao quanh: whisper, emphasis, soft, fast, slow, stress, forceful. Không có điều khiển tương đương theo từng từ nào được tài liệu hóa ở phía ElevenLabs.

• {{1}}Chỉ dẫn được viết bằng bất kỳ ngôn ngữ nào, độc lập với ngôn ngữ của kịch bản. Dấu ngoặc chỉ dẫn tiếng Trung đặt trước một dòng tiếng Anh đã được ghi nhận và minh họa trong tài liệu. Đây là năng lực tôi sẽ kiểm tra trước tiên, vì chính nó thay đổi ai có thể vận hành công cụ: một đạo diễn không viết tiếng Anh vẫn có thể chỉ đạo một buổi biểu diễn tiếng Anh.{{/1}}

• Ghim âm vị theo từng ngôn ngữ, với các đường dẫn pinyin và romaji đã được tài liệu hóa cho tiếng Trung và tiếng Nhật, cùng một thẻ chuyển ngôn ngữ giúp chuyển một cụm từ sang ngôn ngữ khác giữa dòng — được đánh dấu là thử nghiệm trong tài liệu.

• Nhiều người nói trong một yêu cầu duy nhất: một id giọng nói cho mỗi người nói trong mảng reference_id, mỗi lượt bắt đầu bằng thẻ người nói chẳng hạn như <|speaker:0|>, với các chỉ dẫn và thẻ theo cặp hoạt động bên trong mỗi lượt.

Các bề mặt điều khiển thực sự khác biệt về bản chất, không chỉ ở cách gọi tên. ElevenLabs cung cấp một bộ từ vựng thẻ được tinh chỉnh cho cảm xúc và cách thể hiện. Fish Audio cung cấp cảm xúc cùng với việc ghim ngữ âm, chuyển đổi ngôn ngữ và phạm vi theo từng từ, gần với một công cụ mastering hơn là một công cụ biểu diễn. Đối với công việc sách nói và lồng tiếng, bộ thứ hai hữu ích hơn. Đối với nội dung quảng cáo mang tính hội thoại hoặc biểu cảm, các thẻ của Eleven đọc tự nhiên hơn và điểm số sở thích cũng đồng tình.

Tiền, trên một kịch bản mà bạn thực sự có

So sánh theo giờ giữa hai dịch vụ này là không đáng tin cậy, vì các nhà cung cấp tính phí theo những đơn vị khác nhau và ngụ ý tốc độ nói khác nhau. Thay vào đó, hãy tính toán trên một kịch bản cố định. Eleven v4 niêm yết ở mức $80.00 mỗi triệu ký tự, nên một kịch bản 100.000 ký tự tốn $8.00. Drama 3 niêm yết ở mức $50.00 mỗi triệu byte UTF-8, và tiếng Anh gần như một byte mỗi ký tự, nên cùng kịch bản đó tốn $5.00 — và $1.00 trong chương trình khuyến mãi ra mắt, kéo dài đến 2026-11-12 09:00 PT với giá $10.00 mỗi triệu byte.

Đó chính là hình dạng trung thực của chênh lệch giá: Drama 3 rẻ hơn 37% trên mỗi ký tự tiếng Anh theo giá niêm yết và rẻ hơn 87% trong thời gian khuyến mãi, chứ không phải 60% mà một phép so sánh ký tự với ký tự đơn giản giữa 80 đô la và 50 đô la sẽ gợi ý nếu bạn quên đơn vị. Hai chi tiết nữa thuộc về ngân sách hơn là phần chú thích. Các chỉ dẫn trong ngoặc được tính là văn bản đầu vào và bị tính phí, trên cả hai nền tảng, nên một kịch bản có nhiều chỉ dẫn sẽ tốn thêm 10-25% so với số từ của nó. Và tại Fish Audio, một yêu cầu thiếu hoặc viết sai tiêu đề mô hình không bị lỗi — nó sẽ chuyển sang s2.1-pro, mà trong thời gian khuyến mãi tính phí 15,00 đô la mỗi triệu byte thay vì 10,00 đô la. Một lỗi đánh máy trong tiêu đề là một mức tăng giá âm thầm 50%.

Mô hình chi phí của ElevenLabs khác về bản chất: các gói đăng ký có bao gồm tính năng nhân bản giọng nói, và nhân bản giọng nói tức thì bắt đầu từ gói Starter 6 đô la, còn bản sao chuyên nghiệp từ gói Creator 22 đô la. Fish Audio bán tính năng nhân bản qua cùng hệ thống tín dụng như khi tạo giọng, và Drama 3 dùng cùng tín dụng như S2.1 Pro. Nếu nhân bản giọng nói là trung tâm trong quy trình làm việc của bạn chứ không phải một tính năng bạn chỉ dùng hai lần, thì so sánh này là so sánh gói, không phải so sánh theo từng ký tự.

Cấp phép, và điều khoản không thể thương lượng ở cả hai bên

Cả hai nhà cung cấp đều không cho phép bạn nhân bản một người mà không có sự đồng ý, và cả hai đều nói rõ điều đó. Điều khác biệt nằm ở chuyện gì xảy ra với chính mô hình. Eleven v4 là một API đóng: bạn được cấp phép đầu ra, không phải trọng số, và ràng buộc thực tế là bảng giá. Drama 3 công bố trọng số trên Hugging Face với tên fishaudio/drama-3 theo Fish Audio Community License v1.0 — miễn phí cho nghiên cứu và sử dụng phi thương mại, miễn phí cho sử dụng thương mại khi doanh thu hằng năm của bạn và các bên liên kết dưới US$500,000, và yêu cầu giấy phép riêng khi vượt ngưỡng đó hoặc nếu bạn muốn cung cấp chính Drama 3 như một dịch vụ được lưu trữ. Artificial Analysis gọi nó là trọng số mở nhưng không có đầy đủ quyền sử dụng thương mại, và điều đó là chính xác.

Điều đó có hai mặt trong một so sánh. Bạn không thể tự triển khai tại chỗ để thoát khỏi mức giá của ElevenLabs, và bạn cũng không thể âm thầm trở thành nhà cung cấp TTS dựa trên trọng số của Fish Audio. Nhưng ngay hôm nay, bạn có thể đặt Drama 3 trên một card 48 GB và tạo ra với chi phí biên là tiền điện — đó là một cuộc thảo luận mua sắm khác với $8.00 mỗi 100.000 ký tự, và chính nó quyết định công việc danh mục kéo dài.

Nên đặt cái nào phía trước bộ định tuyến?

Cả Fish Audio Drama 3 lẫn ElevenLabs Eleven v4 đều không phải là một trong các mô hình trên OrcaRouter. Drama 3 được truy cập qua API riêng của Fish Audio và một số nền tảng bên thứ ba; còn Eleven v4 thì qua nền tảng của ElevenLabs. Thứ nằm phía trước cả hai, trong cách sắp xếp mà blog này vẫn luôn đề xuất, chính là lớp định tuyến — một khóa dùng được cho ~200 mô hình theo giá niêm yết của nhà cung cấp, không cộng thêm phụ phí, failover tự động, và một DSL định tuyến có thể giữ hai giọng nói đằng sau một điểm gọi duy nhất.

Lý do điều này quan trọng đối với sự so sánh cụ thể này là câu trả lời đúng là “cả hai, cho các câu khác nhau”. Một pipeline sản xuất drama muốn Drama 3 trên những dòng chứa danh từ riêng và mã, đồng thời vẫn có thể muốn Eleven v4 trên những đoạn mà người nghe đánh giá chính giọng nói. Kết hợp mô hình và DSL định tuyến cho phép một pipeline xử lý điều đó như một giao diện duy nhất với lựa chọn theo từng phân đoạn, thay vì như hai tích hợp, hai bảng giá và hai bộ hành vi thử lại. Khi một nhà cung cấp điều chỉnh giá, cơ chế chuyển tiếp trực tiếp có nghĩa là thay đổi được áp dụng phía bạn ngay trong ngày thay vì vào lần gia hạn hợp đồng tiếp theo — điều này ở đây quan trọng hơn bình thường, vì mức giá khuyến mại của Fish Audio hết hạn vào 2026-11-12 và phép so sánh thực tế thay đổi chỉ sau một đêm.

Đối với người đọc chỉ chọn một: Eleven v4 nếu sản phẩm được đánh giá dựa trên cách nó nghe và kịch bản được viết bằng văn xuôi thông thường; Drama 3 nếu sản phẩm phải chính xác về tên, số và mã, nếu công việc là dài kỳ và nhạy cảm về giá, nếu bạn muốn các trọng số, hoặc nếu người viết chỉ dẫn không viết tiếng Anh. Arena nói Eleven nghe hay hơn. Bảng phát âm nói Drama đọc tốt hơn. Cả hai đều là cùng một bộ đánh giá, và câu hỏi hữu ích là quy trình sản xuất của bạn thực sự mắc phải lỗi nào trong hai lỗi đó.