Fish Audio Drama 3 與 Eleven v4：一款模型贏得偏好投票，另一款贏得字詞

ElevenLabs Eleven v4 與 Fish Audio Drama 3 對於文字轉語音評分的目的看法不同。在 Artificial Analysis 的 Provider Voice Arena 上，Eleven v4 以 1,334 的 Elo 位居第二，Drama 3 則以 1,278 排名第六；而在 Controlled Voice Arena（兩者皆以相同的參考語音評分）上，Eleven v4 以 1,156 名列第四，Drama 3 則以 1,085 排名第十二。這分別是 56 分與 71 分的差距，兩者都穩穩超出雜訊範圍，而且都指向同一件事：聽眾更偏好 Eleven v4。接著，同一個實驗室請人類評審判斷句子中每個難詞是否確實發音正確，Drama 3 拿下 93.2%，而 Eleven v4 為 91.7%，兩者分處這個類別的兩端——而這個類別決定了品牌名稱、數字或零件編號能否完整無誤地輸出。偏好差距確實存在，發音差距也同樣真實，而沒有任何單一數字能將兩者調和一致。

無法閉合的缺口，以及能夠閉合的缺口

先從 Eleven v4 尚未失去的優勢談起。它在 2026-09-28 正式全面推出，距離 Fish Audio 的模型發布已過四週，而且自那之後的每一次排行榜更新，它都穩居供應商語音的前兩名席位。目前它對 Drama 3 的差距是：供應商語音上領先 56 Elo，受控語音上領先 71 Elo——而受控排行榜是更嚴苛的測試，因為它把各廠商自家的語音目錄從比較中移除。無論 Drama 3 在開放權重模型中的領先地位意味著什麼，都不代表在盲聽測試中 Drama 3 聽起來比 Eleven v4 更好；任何暗示相反的比較，都別有居心。

Drama 3 具備的是 Artificial Analysis 的 English Pronunciation Robustness 基準測試中逐類別的細分結果，其中 31 個模型接受評分，且榜首並列：

• 整體 — Drama 3 93.2%，與 Ming-3.0-tts 並列第一；Eleven v4 91.7%；Eleven v4 Turbo 90.1%。

• 獨立詞彙（品牌、地名、技術名稱）——Drama 3 95.9%，位居榜首；Eleven v4 緊隨其後。

• 展開縮寫（數字、日期、單位、符號標記）——Eleven v4 94.1%，排名第一；Drama 3 93.6%，排名第二。

• 保留精確序列（代碼、路徑、電子郵件）——Drama 3 86.3%，在排行榜上排名第二，僅次於 Ming-3.0-tts 的 90.6%；Eleven v4 78.8%，這是它最弱的類別，且差距懸殊。

• 情境適切 — Drama 3 95.3%；Google Gemini 3.8 Flash TTS 以 98.0% 領先全場。

這個模式可行。如果你的腳本主要是散文，只有少量數字，Eleven v4 的簡寫處理是較好的選擇，整體差異不到兩個百分點。如果你的腳本包含需要朗讀出來的 SKU、案件編號、URL、零件代碼或電子郵件地址，Eleven v4 在這一類別上正是頂尖梯隊中最弱的模型——78.8% 意味著大約每五個精確序列就有一個回傳錯誤——Drama 3 的 86.3% 仍不完美，但這正是客服人員只讀一次工單編號，還是得讀兩次的差別。

同一方向的兩種語法

兩種模型都讓你把效能寫進腳本，而且標記法足夠接近，團隊可以在一個下午內移植腳本——這使得剩下的差異值得了解。

ElevenLabs 使用行內音訊標籤 —— [laughs]、[whispers]、[sighs]、[said angrily in French accent]，甚至 [light rain] —— 直接插入文字中，在詮釋方式應該改變的地方發揮作用。廠商文件說明了 Eleven v4 Turbo 的音訊標籤，而 Eleven v4 沿用相同的語法；兩者皆於 2026-09-28 正式全面推出。Eleven v4 每次請求的輸入上限為 10,000 個字元，大約十分鐘的音訊，因此長篇腳本必須在句子邊界處切分並拼接，而拼接邏輯就成了你得自己處理的問題。多講者對話有支援，而主打低延遲的姊妹產品宣稱推論延遲中位數約為 100 毫秒，不包含應用程式與網路額外開銷。

Fish Audio 的記譜法是一種括號慣例，其上還疊加了一層成對標籤，並記載於其自家的 Drama 3 頁面中：

• 置於其所修飾詞語之前的方括號指示——[勉強撐住情緒，擠出一抹微笑]——以導演向配音員交代演出指示的方式書寫。

• 聲音與停頓置於同一個括號內——[顫抖的呼吸]、[輕笑]——並準確放在它們發生之處。

• 只會改變所包覆字詞的成對標籤：whisper、emphasis、soft、fast、slow、stress、forceful。ElevenLabs 端並無記載對應的逐字控制功能。

• 指示可以用任何語言書寫，不受腳本語言限制。英文台詞前方的中文指示括號已有記錄並示範。這是我會先測試的能力，因為它會改變誰能操作這項工具：不會寫英文的導演，仍然可以指導一場英文演出。

• 各語言皆可音素釘選，中文與日文另有附文件說明的拼音與羅馬字路徑，還有一個語言切換標籤，可在一行中途把某個片語切換成另一種語言——文件標明此為實驗性功能。

• 單次請求中的多講者：reference_id 陣列中每位講者各對應一個 voice id，每個回合以講者標籤開頭，例如 <|speaker:0|>，且指示與成對標籤可在每個回合內運作。

這些控制介面本質上確有不同，並不只是名稱拼寫上的差異。ElevenLabs 提供的標籤詞彙專門針對情緒與表達方式調整。Fish Audio 則提供情緒、發音鎖定、語言切換與逐字範圍控制，更接近母帶後製工具，而非表演工具。就有聲書與配音工作而言，第二組功能更有用。若是對話式或富表現力的行銷文案，Eleven 的標籤讀起來更自然，偏好評分也支持這一點。

錢，就押在你實際擁有的劇本上

這兩者的每小時比較並不可靠，因為廠商以不同單位計費，且暗示的語速也不同。改用固定腳本做計算吧。Eleven v4 的定價為每百萬字元 $80.00，因此一份 100,000 字元的腳本成本為 $8.00。Drama 3 的定價為每百萬 UTF-8 位元組 $50.00，而英文大約每個字元一個位元組，所以同一份腳本成本為 $5.00——而在首發促銷期間為 $1.00；該促銷持續至 2026-11-12 09:00 PT，每百萬位元組 $10.00。

這就是價格差異的真實樣貌：Drama 3 按定價計算，每個英文字元便宜 37%，促銷期間便宜 87%，而不是當你忘了單位時，用 $80 對 $50 做天真的字元對字元比較所暗示的 60%。另有兩個細節屬於預算，而不是註腳。括號指示也算作輸入文字並計費，在兩個平台上皆然，所以指示密集的腳本會比其字數所暗示的費用高 10-25%。而在 Fish Audio，模型標頭缺失或拼錯的請求不會失敗——它會回退到 s2.1-pro，促銷期間後者每百萬位元組計費 $15.00，而不是 $10.00。標頭中的一個拼寫錯誤，就是悄無聲息的 50% 漲價。

ElevenLabs 的成本模型在本質上有所不同：訂閱方案包含克隆功能，即時聲音克隆從 6 美元的 Starter 方案開始，專業克隆則從 22 美元的 Creator 方案起。Fish Audio 透過與生成相同的點數系統銷售克隆功能，而 Drama 3 使用與 S2.1 Pro 相同的點數。如果克隆是你工作流程的核心，而不是偶爾用兩次的功能，那麼比較就是方案比較，而不是按字元計價的比較。

授權，以及雙方皆不可協商的條款

兩家廠商都不會允許你在未經同意的情況下複製某個人，且兩者都明確表示這一點。差別在於模型本身會如何處置。Eleven v4 是封閉式 API：你取得的是輸出內容的授權，而非權重，實際限制則是費率表。Drama 3 在 Hugging Face 上以 fishaudio/drama-3 的名義，依 Fish Audio Community License v1.0 發佈權重——研究與非商業用途免費；你及你的關係企業年收入低於 US$500,000 時可免費商用；超過該門檻，或如果你想將 Drama 3 本身作為託管服務提供，則需另行取得授權。Artificial Analysis 將其標示為開放權重，但不具完整商業使用權利，這點準確。

這對比較而言是兩面刃。你無法靠自架主機擺脫 ElevenLabs 的價格，也無法悄悄靠 Fish Audio 的權重成為 TTS 供應商。但今天你就能把 Drama 3 放上 48 GB 的顯示卡，並以邊際成本僅為電費的方式生成——這與每 100,000 字元 $8.00 是截然不同的採購討論，而這正是決定長期目錄製作工作的關鍵。

哪一個要放在路由器前面

Fish Audio Drama 3 和 ElevenLabs Eleven v4 都不是 OrcaRouter 上的模型。Drama 3 是透過 Fish Audio 自家的 API 與若干第三方平台來使用；Eleven v4 則透過 ElevenLabs 的 API。按照本部落格一再推薦的配置，位於兩者之前的，是路由層——一組金鑰即可橫跨約 200 個模型，按供應商標價計費、不加價，自動容錯移轉，以及可讓兩個語音共用同一個呼叫點的路由 DSL。

對這個特定比較而言，關鍵原因在於正確答案是「兩者皆用，但用於不同句子」。一套正式的戲劇製作管線會希望在帶有專有名詞與代碼的台詞上使用 Drama 3，同時可能仍希望在聽眾會直接評判聲音本身的段落上使用 Eleven v4。模型融合與路由 DSL讓管線能將這件事當作單一介面來處理，並可逐段選擇，而不是把它當成兩套整合、兩張費率表和兩組重試行為。當廠商調整價格時，直通機制意味著變動會在同一天反映到你的這一端，而不是等到下一次合約續約——這一點在這裡比平常更重要，因為 Fish Audio 的促銷費率將於 2026-11-12 到期，而實際比較結果會在一夜之間改變。

對於只能挑一個的讀者：如果成品是以聽起來怎麼樣來評判，而且腳本是用一般散文寫成的，就選 Eleven v4；如果成品必須在名稱、數字和代碼上正確無誤，如果作品是長篇且對價格敏感，如果你想要權重，或者如果撰寫指示的人不以英文寫作，就選 Drama 3。競技場說 Eleven 聽起來更好。發音排行榜說 Drama 唸得更好。兩者都是同一套基準測試，而真正有用的問題是：你的製作實際上正受困於這兩種失敗中的哪一種。