Fish Audio Drama 3 对比 Eleven v4：一个模型赢得偏好投票，另一个则在文字上胜出

ElevenLabs Eleven v4 与 Fish Audio Drama 3 在文本转语音评分应该用来衡量什么这个问题上意见不一。在 Artificial Analysis 的 Provider Voice Arena 上，Eleven v4 以 1,334 的 Elo 位列第二，Drama 3 以 1,278 排名第六；在 Controlled Voice Arena 上，两者都对照相同的参考语音进行评分，Eleven v4 以 1,156 排名第四，Drama 3 以 1,085 排名第十二。这两处差距分别为 56 分和 71 分，都稳稳超出噪声范围，而且都说明同一件事：听众更喜欢 Eleven v4。随后，同一个实验室让人类评审员判断句子中每个难词是否真的发音正确，Drama 3 得分为 93.2%，而 Eleven v4 为 91.7%，两者在决定品牌名、数字或零件编号能否完整无误输出的类别中处于两端。偏好差距是真实存在的，发音差距也同样真实，没有任何单一数字能调和二者。

无法弥合的差距，以及能够弥合的差距

先说说 Eleven v4 没有丢掉的东西。它在 2026-09-28 正式全面上线，比 Fish Audio 的模型发布晚了四周，而自那以后，它历经每一次榜单更新，始终稳居供应商语音的前两名席位。目前它对 Drama 3 的领先幅度是：供应商语音上 56 Elo，受控语音上 71 Elo——而受控榜是更严苛的考验，因为它把各家厂商自有的语音库从对比中剔除。无论 Drama 3 在开源权重模型中的领先意味着什么，它都不意味着在盲听者耳中 Drama 3 听起来比 Eleven v4 更好；任何暗示相反的对比，都是在兜售某种东西。

Drama 3 提供的是 Artificial Analysis 的 English Pronunciation Robustness 基准上的逐类别细分，该基准对 31 个模型进行评分，且榜首并列：

• 总体 — Drama 3 93.2%，与 Ming-3.0-tts 并列第一；Eleven v4 91.7%；Eleven v4 Turbo 90.1%。

• 独立术语（品牌、地名、技术名称）—— Drama 3 95.9%，位居榜首；Eleven v4 紧随其后。

• 展开简写（数字、日期、单位、记法）——Eleven v4 94.1%，第一；Drama 3 93.6%，第二。

• 精确保留精确序列（代码、路径、电子邮件）——Drama 3 为 86.3%，在榜单上排名第二，仅次于 Ming-3.0-tts 的 90.6%；Eleven v4 为 78.8%，这是其最弱的一个类别，且差距悬殊。

• 语境贴合度——Drama 3 达 95.3%；Google Gemini 3.8 Flash TTS 以 98.0% 领跑全榜。

这种模式可用。如果你的脚本主要是散文，只有少量数字，那么 Eleven v4 的简写处理更胜一筹，总体差距不到两个百分点。如果你的脚本包含需要朗读的 SKU、案例编号、URL、零件编号或电子邮件地址，那么 Eleven v4 恰恰在这一类别上是第一梯队中最弱的模型——78.8% 意味着大约每五个精确序列就有一个返回错误——而 Drama 3 的 86.3% 仍不完美，但这正是只读一次工单编号的客服与要读两次的客服之间的差别。

同一方向的两种语法

两种模型都让你能把性能写进脚本，而且两者的记法足够接近，团队一个下午就能移植一个脚本——这也使得仍然存在的差异值得了解。

ElevenLabs 使用内联音频标签——[laughs]、[whispers]、[sighs]、[said angrily in French accent]，甚至 [light rain]——将它们插入文本中，以指示表达方式需要改变的位置。供应商为 Eleven v4 Turbo 记录了音频标签，而 Eleven v4 遵循相同的语法；两者均于 2026-09-28 正式发布（GA）。Eleven v4 将每个请求的输入限制为 10,000 个字符，约十分钟音频，因此长篇脚本必须按句子边界分块并拼接，而拼接逻辑就成了你要处理的问题。它支持多说话人对话，其低延迟同系列产品标称的推理延迟中位数约为 100 毫秒，不包括应用和网络开销。

Fish Audio 的记法是一种括号约定，其之上还叠加了一层配对标签，详见其自身的 Drama 3 页面：

• 方括号指示放在其所修饰的台词之前——[勉强撑住情绪，强挤出一丝微笑]——写法就像导演给配音演员做简要说明那样。

• 同一括号内的音效与停顿——[shaky breath]、[small laugh]——须放在其实际发生的位置。

• 仅改变其所包裹词语的成对标签：whisper、emphasis、soft、fast、slow、stress、forceful。ElevenLabs 一侧没有文档记载的等效逐词控制方式。

• 用任何语言书写的指示，独立于剧本本身的语言。在英文台词前使用中文指示括注的做法已有记录并做过演示。这是我会最先测试的能力，因为它改变了谁能够操作这个工具：不会写英语的导演仍然可以执导英语演出。

• 按语言进行音素固定，并为中文和日文提供有文档记录的拼音与罗马字路径，外加一个语言切换标签，可在行内将某个短语切换为另一种语言——该功能在文档中标记为实验性。

• 单次请求中的多说话人：在 reference_id 数组中为每个说话人指定一个 voice id，每个轮次以说话人标签（如 <|speaker:0|>）开头，指令和成对标签可在每个轮次内生效。

这些控制界面的性质确实不同，而不只是名称拼写不同。ElevenLabs 提供的标签词汇针对情绪和表达方式进行了调校。Fish Audio 则提供情绪、音素固定、语言切换以及逐词范围控制，这更接近母带处理工具，而非表演工具。对于有声书和配音工作，第二套更实用。对于对话式或富有表现力的营销文案，Eleven 的标签读起来更自然，偏好评分也印证了这一点。

钱，就落在你真正拥有的脚本上

按小时比较这两者并不可靠，因为各供应商按不同单位计费，且隐含的语速也不同。不如改用固定脚本来算一算。Eleven v4 标价为每百万字符 $80.00，因此一个 100,000 字符的脚本成本为 $8.00。Drama 3 标价为每百万 UTF-8 字节 $50.00，而英语大约每个字符一个字节，所以同样的脚本成本为 $5.00——在发布推广期间则为 $1.00；该推广持续至 2026-11-12 09:00 PT，价格为每百万字节 $10.00。

这才是价格差的真实形态：Drama 3 按标价每个英文字符便宜 37%，促销期间便宜 87%，而不是在你忘记单位时，拿 $80 和 $50 做天真的字符数对字符数比较所会暗示的 60%。另外两个细节应计入预算，而不是放在脚注里。方括号中的指示会被算作输入文本并计费，两个平台都是如此，因此一个带有大量指示的脚本，成本会比其字数所暗示的高出 10–25%。而在 Fish Audio 上，如果请求的模型标头缺失或拼写错误，请求并不会失败——它会回退到 s2.1-pro，而 s2.1-pro 在促销期间按每百万字节 $15.00 计费，而不是 $10.00。标头中的一个拼写错误，就是悄无声息的 50% 涨价。

ElevenLabs 的成本模型在类型上有所不同：其订阅套餐包含克隆功能，即时语音克隆从 $6 的 Starter 套餐起，专业克隆则从 $22 的 Creator 层级起。Fish Audio 通过与其生成功能相同的积分系统销售克隆，而 Drama 3 使用的积分与 S2.1 Pro 相同。如果克隆是你工作流的核心，而不是你只用过两次的功能，那么这种比较就是套餐比较，而不是按字符计费的比较。

许可，以及双方都不可协商的条款

两家供应商都不允许你在未经同意的情况下克隆一个人，而且两家都明确说明了这一点。区别在于模型本身会怎样。Eleven v4 是闭源 API：你获得许可的是输出内容，而非模型权重，实际的约束在于价目表。Drama 3 在 Hugging Face 上以 fishaudio/drama-3 的名称发布权重，采用 Fish Audio Community License v1.0——研究和非商业用途免费；你及你的关联方年收入低于 50 万美元的商业用途免费；超过该门槛，或你想将 Drama 3 本身作为托管服务提供，则需要单独的许可。Artificial Analysis 将其标注为开放权重但无完整商业使用权利，这一标注是准确的。

这对比较来说两面都成立。你无法靠自托管摆脱 ElevenLabs 的价格，也无法悄悄基于 Fish Audio 的权重成为 TTS 提供商。但今天，你可以把 Drama 3 放到一张 48 GB 的卡上，以电力的边际成本生成——这与每 100,000 个字符 8.00 美元的采购讨论是两回事，而正是这一点决定了长期目录工作。

哪一个应该放在路由器前面？

Fish Audio Drama 3 和 ElevenLabs Eleven v4 都不是 OrcaRouter 上的模型。Drama 3 需通过 Fish Audio 自有 API 以及若干第三方平台访问；Eleven v4 则通过 ElevenLabs 的接口访问。按照本博客一直推荐的方案，位于两者之前的正是路由层——一个密钥即可按提供商标价、无加价地访问约 200 个模型，具备自动故障转移，以及一套可将两个语音置于同一调用点之后的路由 DSL。

针对这一特定对比，真正重要的原因在于：正确答案是“两者都要，但用于不同的句子”。一套生产级的剧情流水线，希望在承载专有名词和代码的行上使用 Drama 3，同时可能仍希望在由听众评判声音本身的段落上使用 Eleven v4。模型融合与路由 DSL让流水线能将这一切作为一个接口来处理，并支持逐段选择，而不是拆成两套集成、两张费率表和两套重试行为。当供应商调整价格时，这种透传机制意味着变更当天就会落到你这边，而不必等到下一次合同续签——这一点在这里比通常更为重要，因为 Fish Audio 的促销费率将于 2026-11-12 到期，实际对比结果会一夜之间改变。

对于只能选一个的读者：如果交付物按听感评判，且脚本是用普通散文写成的，就选 Eleven v4；如果交付物必须在名称、数字和代码上准确，如果作品是长篇且对价格敏感，如果你想要权重，或者撰写指令的人不写英语，就选 Drama 3。竞技场说 Eleven 听起来更好。发音榜说 Drama 说得更好。两者都是同一套基准测试，真正有用的问题是：你的制作实际遭遇的究竟是这两种失败中的哪一种。