Fish Audio ou ElevenLabs : clone fidèle ou voix naturelle ?

Pour reproduire une voix à partir d’un court extrait, Fish Audio est le premier service à essayer ; pour une narration avec une voix de catalogue, ElevenLabs paraît plus convaincant. Dans une comparaison publiée par TechStackups, un enregistrement commun de 33,94 secondes a donné un clone Fish Audio plus proche du locuteur, tandis que le clone ElevenLabs était plus net et sa voix de catalogue plus naturelle.

Ce choix reste lié aux voix et aux modèles entendus. Pour un projet francophone, la diction des noms et des montants peut compter davantage que le timbre ; pour une application, le prix dépend aussi du modèle retenu et de l’unité facturée. La ressemblance du clone, le naturel d’une voix de bibliothèque et le coût de production méritent donc trois décisions distinctes.

Clonage : la ressemblance et la netteté divergent

L’essai oppose Fish Audio Drama 3 à Eleven v4 sur les mêmes scripts, avec une seule génération par configuration et les réglages par défaut. Le locuteur, sud-africain, reconnaissait davantage son accent et son identité vocale dans le clone Fish Audio. Il trouvait celui d’ElevenLabs plus propre et plus expressif, mais moins fidèle à sa propre voix. Aucun des deux résultats ne lui semblait assez convaincant pour tromper une personne qui le connaît bien.

Cette limite pèse sur la portée du verdict. La référence était courte, le locuteur unique et les sorties n’ont pas été sélectionnées parmi plusieurs essais. Le clone Fish Audio provenait du site gratuit ; celui d’ElevenLabs a été créé avec un compte API Creator payant. Un autre enregistrement, une autre voix ou une méthode de clonage plus approfondie pourrait modifier l’écart. Pour une identité vocale précise, la proximité avec le locuteur reste le critère décisif ; pour une prise immédiatement exploitable, la netteté peut l’emporter.

Voix de catalogue et direction émotionnelle

Une lecture vocale en français met à l’épreuve la prononciation des noms, des dates et des montants.

Sur les voix féminines britanniques choisies pour l’essai, ElevenLabs donnait une narration jugée plus naturelle sans instruction particulière. Les pauses et l’enthousiasme suivaient mieux le sens du passage. Fish Audio marquait aussi certains mots de façon pertinente, mais le timbre de cette voix de catalogue rendait l’ensemble moins convaincant aux oreilles du testeur. Ce constat porte sur ces voix précises, pas sur toutes celles que proposent les deux bibliothèques.

Les consignes d’expression constituent un autre critère. Les deux services ont reçu le même texte, avec des balises adaptées à leur syntaxe pour le murmure, l’enthousiasme, la pause et le rire. Dans les extraits publiés, ElevenLabs conservait mieux l’émotion d’une phrase à la suivante ; Fish Audio passait plus brusquement au murmure. Une publicité dialoguée peut bénéficier de cette continuité, alors qu’une annonce utilitaire gagne parfois à garder un ton sobre. La présence de commandes émotionnelles ne dit donc pas, à elle seule, combien de reprises seront nécessaires pour obtenir la lecture voulue.

En français, la lecture des chiffres reste à établir

Le coût de Fish Audio S2.1 Pro se calcule en octets UTF-8, celui d’Eleven v4 en caractères.

L’essai a été réalisé en anglais : il ne classe pas les services pour le français de France, du Québec, de Belgique ou de Suisse. Son passage le plus instructif pour un usage francophone est un message de rendez-vous réunissant un nom, une date, une heure, un prix, une référence et un numéro de téléphone. ElevenLabs y lisait correctement le montant en rands ; Fish Audio en changeait l’ordre de grandeur et la devise. Les deux sorties traitaient d’autres éléments du message avec des différences moins graves.

On ne peut pas déduire de cette erreur que Fish Audio prononcerait mal un prix en euros ou en francs. Elle montre pourquoi une démonstration fluide sur une phrase ordinaire renseigne peu sur les textes où chaque chiffre doit être exact. Pour des rappels de rendez-vous, des tarifs ou des codes envoyés automatiquement, une voix doit être évaluée sur le vocabulaire, les formats et l’accent du public visé. La diction d’un nom propre peut aussi être acceptable pour un auditeur et gênante pour un autre : le corpus français prévu pour la production tranche mieux qu’un classement général.

Coût API : ramener les tarifs au même volume

Dans sa grille consultée en octobre 2026, Fish Audio fixe S2.1 Pro hébergé à 15 dollars par million d’octets UTF-8, sans volume minimal annoncé ; la même offre présente le clonage à partir d’un court échantillon. Ce prix concerne S2.1 Pro, et non Drama 3, le modèle entendu dans l’essai. On ne peut donc pas associer directement le rendu de ce dernier au tarif le plus bas mis en avant pour l’API.

Dans sa grille API consultée au même moment, ElevenLabs affiche Eleven v4 à 0,08 dollar et v4 Turbo à 0,04 dollar par millier de caractères, avec des forfaits mensuels de 6 à 990 dollars et une formule à l’usage. Cela représente respectivement 80 et 40 dollars par million de caractères aux tarifs unitaires affichés. L’essai porte sur v4 ; le prix inférieur de v4 Turbo ne démontre pas que sa voix produirait le même résultat.

Pour un million de caractères ASCII, un caractère occupe un octet UTF-8 : le calcul indicatif donne alors 15 dollars chez Fish Audio, contre 80 dollars pour Eleven v4 ou 40 dollars pour v4 Turbo. Cette base avantage Fish Audio sur le prix unitaire, mais un texte français accentué contient davantage d’octets que de caractères. Le montant réel dépend de la proportion de ces caractères dans le corpus. Il faut également distinguer le prix d’une génération API des crédits compris dans un abonnement : les deux ne représentent pas nécessairement la même facture pour un projet qui utilise plusieurs fonctions.

Droits commerciaux et déploiement

Pour une vidéo monétisée ou une application vendue, les droits attachés à l’offre comptent autant que la qualité sonore. La grille des forfaits Fish Audio réserve l’usage commercial aux offres payantes et précise que les abonnés premium peuvent exploiter commercialement des voix vérifiées qu’ils possèdent ; l’offre gratuite est limitée à un usage personnel non commercial. Le fait de posséder un fichier audio ne suffit pas à établir le droit de cloner la personne enregistrée.

La documentation de facturation ElevenLabs accorde des droits commerciaux aux contenus créés sur une offre payante et limite l’offre gratuite à un usage non commercial avec attribution. Elle précise que les crédits servent dans plusieurs produits et que leur consommation varie selon le modèle, le produit, l’offre et le canal de génération. Pour un créateur qui utilise aussi le doublage ou d’autres outils, le solde mensuel ne correspond donc pas à un nombre fixe de caractères de synthèse vocale.

Le mode de déploiement peut départager deux projets dont les besoins sonores se ressemblent. Fish Audio propose une API hébergée à l’usage et présente l’auto-hébergement de ses modèles ouverts comme une offre entreprise soumise à une licence commerciale payante. Une équipe qui doit exploiter le modèle dans sa propre infrastructure examine alors un contrat et un budget distincts de ceux de l’API hébergée. Pour une production dans un service géré, la qualité de la voix, les droits et la facture de génération restent les critères immédiats.

Le choix selon l’usage

Clone instantané d’une voix autorisée : commencer par Fish Audio si la ressemblance obtenue avec une courte référence prime. Écouter aussi la diction et la netteté avant de retenir la sortie.
Narration avec voix de catalogue : commencer par ElevenLabs si le naturel sans réglage et la continuité de l’expression sont prioritaires. Ce jugement vient des voix sélectionnées dans l’essai.
Messages contenant prix et références : retenir le moteur qui lit correctement le corpus francophone réel. L’erreur observée sur un montant anglais justifie cette vérification, sans prédire le résultat en français.
Production à volume élevé via API : comparer les octets UTF-8 de S2.1 Pro aux caractères de v4 ou v4 Turbo, puis évaluer la qualité des modèles effectivement tarifés.

La matrice conduit à des choix différents selon que l’on cherche à préserver l’identité d’un locuteur, à obtenir une narration prête à diffuser ou à produire beaucoup de parole à coût maîtrisé. Le résultat d’une seule voix et d’une seule génération fournit un point de départ utile ; le texte, les droits et la configuration du projet déterminent la décision finale.