ElevenLabs atau Google TTS: suara alami dan biaya skala

Untuk narasi yang mengandalkan perubahan intonasi, ElevenLabs patut diprioritaskan. Untuk sintesis berulang dalam volume besar, Google Cloud Text-to-Speech memberi rumus biaya karakter yang lebih langsung. Perbedaan biaya baru berarti setelah kelompok suara dipilih: tarif suara Google yang murah tidak mewakili semua modelnya, sedangkan pemakaian ElevenLabs bergantung pada model dan kuota paket.

Jika rekaman dibuat sebelum tayang, bobot utama ada pada pengucapan, ekspresi, dan jumlah bagian yang perlu dibuat ulang. Jika suara harus menjawab pengguna secara langsung, waktu sampai potongan audio pertama terdengar sama pentingnya dengan biaya tiap jawaban. Karena itu, narasi, lokalisasi, dan agen suara sebaiknya dihitung sebagai beban produksi yang berbeda.

Apa bukti ElevenLabs terdengar lebih alami?

Perbandingan dengar buta suara ElevenLabs dan Google TTS pada narasi yang sama menyoroti perbedaan ekspresi.

Dalam uji dengar buta RedHub AI yang melibatkan 500 peserta, ElevenLabs dan Murf mendapat penilaian naturalitas tertinggi di antara platform yang ditampilkan, sementara ElevenLabs menonjol pada ekspresi emosional. Ini memberi alasan untuk memasukkan ElevenLabs ke pilihan awal narasi, terutama bila penekanan kalimat mengubah makna adegan. Namun, bagian laporan tersebut tidak merinci model, suara, bahasa, maupun naskah yang didengar peserta; hasilnya tidak dapat digeneralisasi ke setiap model terbaru atau pengucapan bahasa Indonesia.

Dalam produksi video, ekspresi yang meyakinkan dapat mengurangi kebutuhan merekam ulang kalimat datar, tetapi nilainya bergantung pada jenis naskah. Dialog dan cerita membutuhkan perubahan emosi; petunjuk transaksi lebih menuntut kejelasan angka, nama, dan jeda. Penilaian yang berguna memakai kalimat identik, tingkat volume serupa, dan suara yang benar-benar akan dipakai dalam proyek, lalu memisahkan skor ekspresi dari keterpahaman. Pembacaan yang dramatis bisa disukai pendengar tetapi terlalu panjang untuk durasi adegan yang tersedia.

Bahasa Indonesia bergantung pada suara, bukan label bahasa

Katalog suara Google mencantumkan pilihan id-ID pada keluarga Standard, WaveNet, dan Chirp 3: HD; keluarga terakhir mendukung streaming, tetapi tidak menerima input SSML maupun parameter kecepatan bicara dan tinggi nada yang tersedia pada beberapa keluarga lain. Daftar itu menjelaskan pilihan teknis, bukan membuktikan bahwa semua suara melafalkan nama Indonesia dengan mutu yang sama. Perbedaan kendali juga penting ketika proyek perlu mengatur jeda atau laju ucapan secara terprogram.

Untuk lokalisasi, sampel yang representatif perlu memuat nama orang dan daerah, nominal rupiah, singkatan, serta istilah Inggris yang biasa muncul di tengah kalimat Indonesia. Kalimat tanya dan instruksi pendek memperlihatkan apakah tekanan kata terasa wajar saat konteks berubah. Suara yang cocok untuk pembacaan panjang mungkin membutuhkan penyuntingan naskah ketika dipasangkan dengan gambar yang bergerak cepat; sebaliknya, suara agen yang efisien belum tentu cukup luwes untuk cerita. Perbandingan per bahasa sebaiknya memakai keluaran audio jadi, bukan sekadar menghitung banyaknya bahasa dalam katalog.

Narasi dan agen suara memakai ukuran kinerja berbeda

Daftar model ElevenAPI menampilkan v4 Turbo untuk agen dan penggunaan waktu nyata dengan klaim latensi sekitar 100 ms serta harga US$0,04 per 1.000 karakter; v4 tercantum US$0,08 per 1.000 karakter. Angka latensi itu merupakan keterangan penyedia tentang sintesis, bukan waktu dari akhir ucapan pengguna sampai jawaban agen terdengar. V4 Turbo juga tidak otomatis menjadi pilihan narasi terbaik hanya karena lebih cepat.

Dalam percakapan langsung, penangkap suara, pengenal ucapan, model yang menyusun jawaban, jaringan, dan sintesis masing-masing menyumbang jeda. Aliran audio yang mulai cepat tetapi terputus di tengah kalimat tetap mengganggu percakapan. Untuk membandingkan agen, gunakan waktu sampai audio pertama, kelancaran potongan berikutnya, dan perilaku ketika pengguna menyela; jalur streaming yang dipilih pada kedua layanan perlu dinilai dalam alur yang setara. Untuk narasi siap tayang, waktu sintesis lebih sering kalah penting dibanding konsistensi karakter suara sepanjang naskah dan kemudahan mengganti satu kalimat tanpa mengubah bagian lain.

Hitung biaya dari karakter bulanan yang dikirim

Narasi tunggal dan respons agen suara yang berulang menunjukkan mengapa biaya TTS bergantung pada total karakter bulanan.

Tabel harga Google Cloud menghitung seluruh karakter input, termasuk spasi, baris baru, dan tag SSML selain tag mark; keluarga Standard dan WaveNet mendapat batas gratis hingga 4 juta karakter per bulan lalu US$4 per sejuta, Neural2 hingga 1 juta lalu US$16 per sejuta, dan Chirp 3: HD hingga 1 juta lalu US$30 per sejuta. Angka itu berlaku untuk keluarga suara yang disebut, bukan untuk semua model TTS Google; layanan berbasis token memakai satuan penagihan lain.

Mulailah dari seluruh teks yang dikirim dalam satu bulan, termasuk bagian yang dihasilkan ulang, bahasa tambahan, dan jawaban agen yang tidak pernah menjadi audio akhir. Untuk satu keluarga suara, rumus sederhananya adalah maksimum dari nol dan total karakter dikurangi jatah gratis, lalu dikalikan tarif per sejuta karakter. Jika beberapa jenis suara memakai kuota bersama, gabungkan pemakaian sebelum mengurangi jatah. Pemisahan ini mencegah perhitungan biaya berdasarkan panjang naskah final saja, padahal revisi dan variasi dapat menggandakan permintaan sintesis.

Sebagai contoh hipotetis, proyek mengirim 5 juta karakter dalam sebulan melalui satu keluarga suara dan belum memakai jatah gratis untuk pekerjaan lain. Perkiraan biaya sintesis Google menjadi US$4 pada WaveNet, US$64 pada Neural2, atau US$120 pada Chirp 3: HD. Ketiganya bukan pengganti yang setara dari sisi suara maupun fitur; angka tersebut hanya memperlihatkan bagaimana pilihan model mengubah hasil rumus. Pajak dan komponen Google Cloud lain, bila digunakan, berada di luar hitungan itu.

Paket ElevenLabs mengubah harga efektif dan hak penggunaan

Rincian paket ElevenLabs menampilkan Creator dengan harga reguler US$22 per bulan, promosi US$11 untuk bulan pertama dan 121.000 kredit bulanan, sedangkan Pro US$99 dengan 600.000 kredit; kredit digunakan bersama oleh produk, dan konsumsi karakter bergantung pada model. Karena itu, harga paket tidak bisa dibagi dengan satu angka karakter universal untuk memperoleh biaya semua proyek. Sintesis, sulih suara, dan fitur lain yang memakai kumpulan kredit yang sama akan mengurangi sisa kuota.

Dengan tarif model API di atas, 1 juta karakter setara US$40 pada v4 Turbo atau US$80 pada v4 sebagai nilai pemakaian bruto. Pada volume hipotetis 5 juta karakter, nilainya menjadi US$200 atau US$400; tagihan sebenarnya perlu menyesuaikan paket, kuota karakter model, dan ketentuan akun. Bandingkan angka ini dengan kelas suara Google yang benar-benar memenuhi kebutuhan, bukan otomatis dengan WaveNet termurah. Perubahan model demi latensi atau ekspresi dapat lebih memengaruhi anggaran daripada kenaikan kecil pada jumlah naskah.

Kebutuhan meniru suara tertentu menambahkan persoalan hak penggunaan. Paket Starter ElevenLabs mencantumkan lisensi komersial dan Instant Voice Cloning, sedangkan Creator mencantumkan Professional Voice Cloning; Google menempatkan suara kustom instan dalam kategori harga tersendiri. Izin dari pemilik suara, ruang lingkup penggunaan rekaman, dan siapa yang boleh mengubah model suara perlu disepakati sebelum produksi. Untuk narasi ekspresif, nilai tambahan ElevenLabs masuk akal jika hasil dengar menghemat revisi; untuk keluaran rutin yang volumenya tinggi, tarif karakter Google mempermudah proyeksi setelah mutu suara pilihan lolos penilaian pada naskah Indonesia.