Fish Audio ili ElevenLabs: jeftiniji glas ne pobjeđuje u svakoj snimci

Fish Audio isplativiji je kada se redovito proizvodi mnogo govora i njegova se veća mjesečna kvota doista koristi. ElevenLabs traži manje novca za ulazak u plaćeni paket, a u objavljenim usporedbama bolje prolazi kada su presudni prirodnost izvedbe i dosljednost dulje naracije. U testu Tech Stackupsa Fish Audio vjernije je klonirao glas iz iste referentne snimke od 33,94 sekunde, dok je ElevenLabs dao čišći i izražajniji rezultat.

To su različiti odgovori na pitanje što čini dobar glas. Kratki klon može bolje podsjećati na govornika, a ipak zahtijevati više dorade prije objave. Za video, dugu naraciju i API promet mijenjaju se i mjerilo kvalitete i način obračuna, pa sama cijena paketa ne određuje pobjednika.

Što se dobiva za mjesečnu pretplatu

Prema cjeniku Fish Audija, Plus stoji 15 USD uz mjesečno plaćanje ili 11 USD mjesečno uz godišnji obračun; uključuje 250.000 kredita, do 200 minuta generiranja i do 15.000 znakova po generiranju. Besplatni paket ograničava pojedinačno generiranje na 500 znakova. Ta razlika utječe na rad s duljim tekstom: odlomke je na besplatnom paketu potrebno češće dijeliti, a svaki novi pokušaj troši dio raspoloživog kapaciteta.

Cjenik ElevenLabsa navodi Starter za 6 USD mjesečno i 30.000 kredita, odnosno približno 30 minuta govora; uključuje trenutačno kloniranje i komercijalnu licenciju. Creator ima redovnu cijenu od 22 USD mjesečno, 121.000 kredita i približno 121 minutu, uz promotivnu cijenu prvog mjeseca. Objavljene minute procjene su kapaciteta, a krediti dvaju servisa nisu zajednička jedinica: isti broj kredita ne znači jednaku količinu gotovog zvuka.

Početni plaćeni račun zato je niži kod ElevenLabsa. Fishova prednost u cijeni nastaje tek kada se koristi dovoljno njegove veće kvote. Tko proizvodi samo jedan kratak video u mjesecu, ne dobiva uštedu time što je kupio mnogo minuta koje neće iskoristiti. Tko redovito snima više inačica i dulje tekstove, može lakše rasporediti cijenu Fish Plus paketa na gotove minute.

Kratki video i sat naracije mijenjaju računicu

Uzmimo uvjetni video s dvije minute gotova govora i bez ponavljanja. Ako se pretplata kupuje samo za taj posao, mjesečni izdatak iznosi 15 USD za Fish Plus ili 6 USD za ElevenLabs Starter. Pri potpunoj iskorištenosti oglašenih mjesečnih minuta, na dvije minute otpalo bi približno 0,15 USD cijene Fishove pretplate i 0,40 USD cijene Startera. To je raspodjela već plaćene pretplate, a ne zasebna naplata preuzimanja snimke.

Za uvjetni sat gotove naracije Fish Plus stane unutar oglašenih 200 minuta. Starterovih približno 30 minuta nije dovoljno, dok Creator s približno 121 minutom pokriva takav projekt. Mjesečni izdatak tada je 15 prema 22 USD. Kad bi se cijela kvota iskoristila, na sat bi otpalo približno 4,50 USD Fishove pretplate i 10,91 USD Creatorove. Oba izračuna pretpostavljaju da ponovljena generiranja, odbačene rečenice i drugi projekti ne smanjuju kapacitet dostupan završnoj snimci.

Minuta gotove naracije nije uvijek minuta kupljenog kapaciteta. Ako govornik pogrešno naglasi ime ili iznos, ponovno generiranje povećava potrošnju i vrijeme uređivanja. Razlika od nekoliko dolara u pretplati može brzo izgubiti važnost kada se kroz cijelo poglavlje moraju popravljati prijelazi, izgovor ili promjene boje glasa. Zbog toga je kod duljeg posla korisnije usporediti broj upotrebljivih minuta nego samo najveću kvotu istaknutu u paketu.

Sličnost klona, prirodnost i emocija nisu ista kvaliteta

U kratkom usporednom testu korišteni su Fish Audio Drama 3 i Eleven v4, isti tekst i po jedan izlaz sa zadanim postavkama. Fishov klon bolje je sačuvao naglasak i prepoznatljivost izvornog govornika, a ElevenLabsov zvučao je čišće i snažnije mijenjao izraz. Čak je i autor testa ocijenio da nijedan trenutačni klon ne bi uvjerio osobu koja dobro poznaje njegov glas. Prednost u sličnosti stoga ne znači savršenu kopiju.

Kod gotovih glasova rezultat se okrenuo. ElevenLabs je u istom nizu engleskih zadataka imao prirodnije stanke, bolje prenosio zadanu emociju između rečenica i točnije pročitao poruku s brojevima i valutom. Fish je u tom primjeru pogrešno protumačio novčani iznos. Za reklamnu rečenicu važan je izražaj; za obavijest s cijenom ili terminom važna je i točnost svake izgovorene pojedinosti. Riječ je o rezultatima tih glasova, modela i prvih generiranja, a ne o mjeri koja unaprijed vrijedi za svaki scenarij.

Emocionalne oznake dodatno mijenjaju usporedbu. Kratak uzorak može zvučati uvjerljivo dok izgovara olakšanje, šapat ili smijeh, ali duga snimka traži da isti lik zadrži prepoznatljiv glas pri svakoj promjeni raspoloženja. Autor koji klonira vlastiti glas zato može dati veću težinu sličnosti nego producent koji bira gotov glas za naratora. Ista datoteka ne rješava ta dva posla jednako dobro.

Zašto duga naracija donosi drukčiji rezultat

Usporedba TechRaisala opisuje Fishov uvjerljiv kratak govor s emocionalnim oznakama, ali ElevenLabsu daje prednost u dosljednosti naracije kroz više odlomaka. Ondje je ElevenLabsov klon nastao iz približno 90 minuta čistog referentnog zvuka, dok je Fishov dio isproban na besplatnom računu sa zadanim modelom. To nije pokus u kojem su oba klona dobila jednako mnogo izvornog materijala, pa njegov zaključak o dugoj izvedbi ne poništava rezultat kratkog klona iz drugog testa.

U audioknjizi, tečaju ili duljem podcastu postupna promjena tempa i boje glasa postaje čujna upravo zato što slušatelj prati istog naratora kroz mnogo odlomaka. U kratkom dijalogu pojedina izražajna replika može biti dovoljna; u dugoj naraciji svaki spoj ponovno otvara pitanje zvuči li to kao ista osoba. Tu prednost ElevenLabsa treba vrednovati zajedno s dodatnim vremenom koje bi slabije ujednačen izlaz tražio u montaži.

API trošak i hrvatski tekst

Fishova razvojna ponuda za API model S2.1 Pro navodi 15 USD po milijun UTF-8 bajtova uz naplatu prema potrošnji. U uvjetnom zahtjevu od 100.000 znakova sastavljenih samo od osnovnih latiničnih slova tekst bi zauzeo približno 100.000 bajtova, pa bi obračunski dio za generiranje iznosio oko 1,50 USD. Hrvatska slova poput č i ž zauzimaju više bajtova; zahtjev s jednakim brojem znakova može zato imati veću obračunsku veličinu. Taj API model i njegova jedinica naplate nisu isto što i kvota minuta u paketu Plus.

Za usporedbu, ElevenLabsov objavljeni obračun za tekst u modelu V2 Multilingual polazi od jednog kredita po znaku, a neki API modeli troše manje. Uvjetnih 100.000 znakova pri prvoj stopi potrošilo bi 100.000 kredita: stali bi u Creatorovu mjesečnu kvotu, ali bi novi korisnik za taj paket platio cijelu pretplatu. To nije usporedba jednakih modela ni jednakih jedinica. Fishov iznos predstavlja obračun prometa u API-ju, a ElevenLabsov iznos cijenu paketa čiji se krediti mogu trošiti i na druge funkcije.

Za projekt namijenjen Hrvatskoj objavljeni engleski uzorci ne pokazuju kako će alati izgovoriti hrvatska imena, padeže, kratice i iznose u eurima. Pri izboru glasa za takav projekt smisleno je usporediti isti hrvatski tekst i isti dopušteni referentni glas, osobito ako su brojčani podaci važni slušatelju. Procjena prirodnosti na engleskom tada ostaje koristan pokazatelj mogućnosti modela, ali ne zamjenjuje ocjenu izgovora na jeziku završne objave.

Komercijalna prava odlučuju što se može objaviti

ElevenLabs uključuje komercijalnu licenciju već u Starter. Fish Plus dopušta komercijalnu uporabu verificiranih glasova koje korisnik posjeduje. Fishova kartica besplatnog paketa prikazuje oznaku komercijalne uporabe, dok odgovor u FAQ-u na istoj stranici besplatno generirani sadržaj ograničava na osobne, nekomercijalne projekte. Za plaćenu objavu razumno je osloniti se na izričito opisana prava plaćenog paketa i provjeriti prava na glas koji se klonira.

Za povremeni kratak video s vlastitim glasom ElevenLabs Starter ima niži početni trošak. Fish Plus postaje povoljniji kada se veća kvota redovito koristi i kada je njegov izlaz dovoljno dobar da ne traži mnogo ponavljanja. Kod duge naracije ili izvedbe u kojoj su prirodne promjene emocije važnije od cijene raspodijeljene minute, objavljeni testovi daju prednost ElevenLabsu; za brz klon iz kratkog uzorka Fish ima konkretnu prednost u sličnosti glasa.

Pročitajte i:

• Fourthwall ili Spring: osnovna cijena određuje stvarnu maržu
• Obsidian ili Notion: lokalne bilješke pobjeđuju tek kad tim nije presudan
• Google Drive ili OneDrive: besplatni prostor skriva cijenu ekosustava