Fish Audio ou ElevenLabs? O clon máis fiel non dá a voz máis limpa

Na proba auditiva de Tech Stackups, unha mesma gravación de 33,94 segundos deu con Fish Audio Drama 3 un clon máis parecido á voz orixinal e con Eleven v4 un son máis nítido. Se importa recoñecer a persoa que fala, Fish destacou nesa mostra; para unha narración con voces predefinidas, o autor da proba preferiu ElevenLabs pola súa naturalidade.

Hai outras dúas decisións antes de contratar: canto custa xerar o volume previsto e que dereitos permite cada plan. A precisión ao ler cifras tamén merece un criterio propio, porque a segunda comparación dispoñible empregou modelos e textos distintos. Ningún destes resultados establece un gañador para todas as voces nin avalía unha locución en galego.

O clon máis parecido e a narración máis natural

Na proba coa gravación compartida, os dous clons leron o mesmo texto novo. O de Fish conservou mellor o acento e o timbre do autor cando cambiou a emoción da frase; o de ElevenLabs resultou máis claro e expresivo, pero afastouse máis da súa identidade. É unha valoración auditiva dunha persoa sobre a súa propia voz, acompañada de fragmentos reproducibles, e serve para distinguir semellanza de calidade sonora.

As condicións tamén delimitan a conclusión. O autor escolleu a primeira xeración de cada servizo e desactivou a eliminación do ruído de fondo en ElevenLabs. A referencia era curta para as recomendacións que o propio servizo mostra na carga de mostras. Con máis audio de partida ou outra voz, a relación entre semellanza e nitidez podería cambiar; a proba describe a clonación rápida nesas condicións.

Para as voces predefinidas, o mesmo autor usou textos equivalentes e comparou unha lectura sen instrucións con outra que pedía cambios de emoción. Preferiu as pausas, a continuidade expresiva e a risa de ElevenLabs; en Fish percibiu cambios de ton máis bruscos. Esa observación é pertinente para un vídeo narrado por unha voz de catálogo, pero non mide se o clon dun creador conserva a súa maneira de falar.

Que ocorre coas cifras e os códigos

Na comparación de Cekura, Fish Audio S2.1-Pro leu correctamente o 92 % dos fragmentos difíciles fronte ao 87,2 % de ElevenLabs v3; en naturalidade, ElevenLabs marcou 4,41 e Fish 4,40 nunha escala de 1 a 5. O ensaio incluíu números, abreviaturas, códigos, enderezos e palabras cuxa pronuncia depende do contexto. A precisión estimouse mediante transcrición automática, non mediante a revisión humana de cada saída.

A vantaxe agregada de Fish nese ensaio non se estende por igual a cada clase de texto. Saíu mellor nos números e nas abreviaturas, mentres ElevenLabs obtivo un resultado superior nos códigos e enderezos. Para unha locución que comunica unha referencia de reserva ou un enderezo de correo, ese detalle pesa máis ca a porcentaxe conxunta.

Na proba auditiva anterior ocorreu ademais un erro concreto de moeda: Drama 3 transformou un importe en rands nunha cantidade moito maior expresada en dólares, mentres Eleven v4 o leu correctamente. Os resultados poden coexistir porque cambiaron os modelos, os guións e o método de avaliación. Nun texto con importes ou identificadores, a elección depende tanto da categoría de dato como da voz e do modelo que producirán o audio final.

Uso comercial e control da voz

O plan oficial de Fish Audio fixa Plus en 15 dólares por mes ou 132 dólares por ano, con 250.000 créditos mensuais, ata 200 minutos de xeración, dez espazos para voces privadas e uso comercial de voces propias verificadas; Pro custa 100 dólares mensuais e anuncia ata 1.620 minutos. A mesma páxina ofrece mensaxes diferentes para o plan gratuíto: a súa ficha sinala uso comercial, pero a resposta sobre dereitos restrinxe o contido gratuíto a proxectos persoais sen fins comerciais. Para calcular un traballo remunerado, a opción de pago evita depender desa discrepancia.

Os prezos de ElevenLabs sitúan Starter en 6 dólares mensuais con 30.000 créditos, licenza comercial e clonación instantánea; Creator custa 22 dólares con 121.000 créditos e engade clonación profesional; Pro custa 99 dólares con 600.000 créditos. A táboa estima respectivamente uns 30, 121 e 600 minutos de texto a voz. Son aproximacións: o consumo depende do modelo e os demais produtos da conta utilizan o mesmo saldo. A empresa indica que os seus prezos exclúen impostos.

Unha licenza comercial do plan non concede por si soa dereitos sobre a voz doutra persoa. As condicións de ElevenCreative esixen as autorizacións pertinentes cando se achega a voz identificable dunha persoa. En Fish, o uso comercial descrito no plan Plus refírese expresamente a voces propias verificadas. Para unha marca que encarga unha locución a un narrador, a autorización sobre a mostra e o acceso ao clon son cuestións distintas da factura mensual.

A privacidade tamén cambia o punto de entrada. Na proba auditiva, Fish permitiu crear o clon na modalidade gratuíta se quedaba público, mentres ElevenLabs requiriu unha conta de pago para gardar a clonación instantánea. Se a voz forma parte da identidade dun proxecto ou dun cliente, o espazo privado incluído en Plus pode importar máis ca unha primeira mostra gratuíta.

Canto custan tres volumes de produción

Este é un cálculo editorial cos prezos publicados e consultados o 30 de outubro de 2026. Os escenarios son hipotéticos: un mes de xeración de texto a voz, pagamento mensual en dólares, impostos excluídos e só os minutos incluídos en cada subscrición, sen recargas nin consumo doutros produtos. Para ElevenLabs úsanse os minutos aproximados da súa táboa; para Fish, os máximos anunciados. Cada nova xeración pode consumir parte da cota.

• 20 minutos nun mes: Fish Plus custaría 15 dólares e ElevenLabs Starter, 6 dólares. Baixo estas condicións, Starter aforra 9 dólares e cobre o volume previsto con clonación instantánea e licenza comercial.
• 100 minutos nun mes: Fish Plus seguiría custando 15 dólares; en ElevenLabs, a cota incluída de Creator, por 22 dólares, cubriría ese volume aproximado. Fish aforraría 7 dólares se o consumo real se mantén dentro do seu límite.
• 300 minutos nun mes: Fish Plus xa non cubriría o volume e Pro custaría 100 dólares; ElevenLabs Pro custaría 99 dólares coa súa estimación de minutos incluídos. A diferenza sería dun dólar dentro destas cotas, sen calcular posibles recargas nin outras formas de pagamento por uso.

Estes importes describen capacidade de xeración, non minutos finais publicados. Se unha toma debe repetirse para corrixir unha cifra, cambiar a entoación ou substituír unha palabra, gástase máis cota para obter a mesma duración útil. Por iso, o escenario medio resulta atractivo para Fish polo prezo, pero esa vantaxe pode perder valor nun guión que obrigue a rexerar moitas frases.

O calendario de publicación engade outra diferenza. Fish indica que os minutos sen usar non pasan ao seguinte ciclo; ElevenLabs permite trasladar créditos dunha subscrición de pago durante un período limitado, baixo as súas condicións. Para quen concentra as locucións nunhas poucas semanas, o saldo trasladable pode ser máis útil ca unha cota mensual maior que caduca.

Como encaixa cada opción nun proxecto

Para narración con voz predefinida e pouco volume, ElevenLabs combina a lectura máis convincente daquela proba co menor custo de entrada comercial. Para clonar rapidamente unha voz propia, Fish ofreceu máis semellanza na mostra examinada e o seu plan Plus resulta máis barato no escenario intermedio. En guións cargados de cifras, a medición de Cekura favorece S2.1-Pro no conxunto, pero non elimina o risco dun erro puntual noutro modelo de Fish.

Se a publicación será en galego, convén escoitar unha pasaxe narrativa e outra cos nomes e importes reais do proxecto antes de elixir a voz. As probas citadas usaron outros textos: a súa utilidade está en separar tres preguntas concretas —se o clon se parece á persoa, se a locución soa natural e se os datos se len correctamente— e en sumar despois o custo e os dereitos do plan que se vai utilizar.