Fish Audio atau ElevenLabs: suara mirip belum tentu lebih bersih

Untuk konten berbahasa Indonesia, Fish Audio S2 Pro layak menjadi kandidat awal bila suara harus menyerupai pembicara acuan. ElevenLabs Eleven Multilingual v2 layak dibandingkan bila kebersihan audio lebih penting: dalam pengujian replikasi suara Hume, kedua model unggul pada ukuran yang berbeda. Hasil itu belum menentukan pilihan terbaik untuk setiap aksen Indonesia.

Biaya dapat mengubah keputusan tersebut. Paket kreator Fish Audio membatasi kredit sekaligus durasi dan panjang tiap generasi, sedangkan kredit ElevenLabs dipakai bersama oleh beberapa produk. Jika proyek juga membutuhkan kloning suara, dubbing, atau banyak revisi, jumlah kredit di halaman paket saja belum menunjukkan biaya klip yang akhirnya dipakai.

Kredit paket harus dibaca bersama batas pemakaian

Menurut daftar paket Fish Audio, paket gratis menyediakan 8.000 kredit per bulan dengan batas hingga 7 menit generasi dan 500 karakter untuk tiap generasi. Plus menyediakan 250.000 kredit, hingga 200 menit generasi, dan 15.000 karakter untuk tiap generasi; harganya US$15 bila dibayar bulanan atau setara US$11 per bulan bila ditagih tahunan. Angka ini berlaku untuk paket kreator di fish.audio, bukan otomatis untuk API atau situs lain yang namanya mirip.

Fish Audio juga memperkirakan pemakaian sekitar 600–625 kredit per menit. Jika hanya membagi saldo Plus dengan angka itu, hasilnya melebihi batas 200 menit yang tercantum pada paket. Maka, untuk memperkirakan kapasitas narasi, batas durasi paket tetap perlu diperhitungkan; saldo kredit bukan janji bahwa seluruh hasil pembagian tersebut dapat diproduksi sebagai menit audio.

Pada halaman harga ElevenLabs, tarif bulanan standar Starter adalah US$6 dengan 30.000 kredit dan Creator US$22 dengan 121.000 kredit. Seluruh produknya mengambil kredit dari kumpulan bulanan yang sama. Untuk model V2 Multilingual, satu karakter teks memakai satu kredit; produk seperti Voice Changer dan dubbing mempunyai satuan pemakaian tersendiri.

Misalnya, naskah 20.000 karakter dihasilkan sekali dengan V2 Multilingual. Perhitungannya menghabiskan 20.000 kredit, sehingga paket Starter masih menyisakan 10.000 kredit sebelum revisi atau pekerjaan lain. Jika seluruh naskah dihasilkan ulang sekali, totalnya menjadi 40.000 kredit dan melampaui jatah Starter. Contoh ini menunjukkan mengapa harga per paket perlu dibaca bersama jumlah percobaan produksi, bukan dibandingkan langsung dengan jumlah kredit Fish Audio.

API Fish Audio memakai satuan berbeda

Untuk pengembang, tarif API resmi Fish Audio menetapkan US$15 per satu juta byte UTF-8 teks masukan untuk S2 Pro dan S2.1 Pro. Dokumen yang sama mencantumkan batas lima permintaan serentak pada tingkat awal. Tarif berdasarkan byte ini tidak dapat disamakan dengan kredit per menit pada paket kreator atau kredit per karakter pada ElevenLabs.

Sebagai contoh hitungan, masukan sebesar 20.000 byte pada tarif tersebut berbiaya US$0,30 untuk generasi teks ke suara. Jumlah byte perlu dihitung dari teks sebenarnya: karakter dan byte UTF-8 tidak selalu berjumlah sama. Bagi aplikasi yang membuat banyak potongan pendek sekaligus, batas permintaan serentak juga memengaruhi waktu penyelesaian meskipun biaya per byte tidak berubah.

Ada perbedaan penyedia yang mudah terlewat. aturan kredit Kitta Audio di fishaudio.org mencantumkan 2.000 kredit API untuk menyimpan satu suara Fish Audio, tetapi situs itu menyatakan Kitta dioperasikan secara independen dan bukan layanan Fish Audio resmi. Angka tersebut adalah tarif Kitta, sehingga tidak boleh dimasukkan ke estimasi biaya API di fish.audio.

Akses kloning suara bergantung pada paket

Narator merekam suara acuan berbahasa Indonesia untuk menilai hasil kloning Fish Audio dan ElevenLabs.

Fish Audio mencantumkan enhanced voice cloning pada paket gratis dan satu slot suara profesional pada Plus. ElevenLabs memberi akses Instant Voice Cloning pada Starter, sementara Professional Voice Cloning tersedia mulai Creator. Perbedaan ini penting bila pekerjaan memerlukan identitas narator tertentu: membandingkan tarif generasi teks saja akan melewatkan tingkat paket yang dibutuhkan untuk jenis kloning pilihan.

Kloning cepat cocok sebagai titik awal untuk menilai apakah suara acuan dapat dikenali kembali pada naskah proyek. Untuk serial atau pengisi suara yang harus terdengar konsisten, akses profesional patut dipertimbangkan bersama mutu rekaman acuan, pengucapan nama, dan kestabilan hasil antarkalimat. Nama fitur tidak menjamin bahwa suatu aksen atau emosi akan terdengar tepat; hasilnya tetap bergantung pada suara dan materi yang digunakan.

Kemiripan pembicara dan kebersihan audio memberi urutan berbeda

Dalam leaderboard replikasi suara Hume yang terbit pada 10 September 2026, Fish Audio S2 Pro mendapat skor kemiripan pembicara 4,03 dan kualitas audio 4,38. ElevenLabs Eleven Multilingual v2 mendapat skor 3,68 untuk kemiripan dan 4,42 untuk kualitas audio. Dengan demikian, model Fish unggul pada kemiripan dalam pengukuran ini, sedangkan model ElevenLabs sedikit lebih tinggi pada kebersihan audio; selisih kualitasnya kecil.

Pengujian itu meminta 11 model mereplikasi 25 suara acuan dengan tujuh teks yang sama. Penilai manusia mendengar rekaman acuan sebelum klip hasil tanpa mengetahui model pembuatnya. Ukuran kemiripan menanyakan apakah hasil terdengar seperti orang yang sama; ukuran kualitas menilai kebersihan audio dari artefak, terlepas dari identitas pembicara. Suara yang jernih karena itu dapat memperoleh nilai kualitas tinggi tanpa menjadi tiruan yang paling setia.

Suara acuan mencakup tuturan standar, ekspresif, dan beraksen, tetapi kategori aksen dalam pengujian itu bukan ukuran khusus untuk ragam bahasa Indonesia. Hasilnya berlaku untuk model yang disebut, bukan otomatis untuk S2.1 Pro, model ElevenLabs lain, atau semua suara dari kedua layanan. Saat memilih untuk narasi Indonesia, peringkat umum tersebut lebih berguna sebagai petunjuk tentang ukuran yang perlu dibedakan daripada sebagai jaminan hasil bagi pembicara tertentu.

Naskah Indonesia menentukan biaya klip yang layak pakai

Rekaman acuan dan keluaran Fish Audio serta ElevenLabs dinilai terpisah untuk kemiripan suara dan kebersihan audio.

Perbandingan untuk proyek Indonesia sebaiknya memakai potongan naskah yang benar-benar mewakili produksi: nama orang dan tempat, singkatan, angka yang akan dibacakan, serta perubahan nada bila memang diperlukan. Dengarkan rekaman acuan dan hasil kloning pada volume yang setara. Nilai secara terpisah apakah identitas pembicara masih dikenali dan apakah audio mengandung desis, pecah suara, jeda janggal, atau kata yang kabur.

Contoh bersyaratnya, sebuah pembuka podcast yang tenang dan kalimat promosi yang antusias dapat memberi tuntutan berbeda pada suara acuan yang sama. Klip netral yang terdengar baik belum cukup untuk menilai bagian yang membutuhkan tekanan atau ekspresi khusus. Perbedaan ini juga menjelaskan mengapa hasil pada kelompok suara ekspresif atau beraksen tidak dapat dipindahkan begitu saja ke semua naskah Indonesia.

Hitung jumlah generasi sampai sebuah potongan dapat dipakai. Pada ElevenLabs, pengulangan mengambil lagi kredit dari kumpulan yang juga dipakai produk lain; pada paket kreator Fish Audio, jatah menit dan batas panjang generasi ikut menentukan ruang revisi. Jika produksi memakai API Fish Audio, ukuran teks dalam byte dan kapasitas permintaan serentak menjadi pertimbangan tambahan. Pilihan yang lebih murah adalah yang memenuhi kebutuhan suara pada alur kerja nyata proyek, bukan yang menampilkan angka kredit terbesar.

Pilih menurut hasil yang harus dipertahankan

Untuk narator yang identitas suaranya harus tetap terasa, hasil kemiripan Fish Audio S2 Pro memberi alasan kuat untuk memasukkannya lebih dahulu ke perbandingan. Untuk produksi yang lebih mengutamakan audio bersih atau memakai beberapa produk dari satu saldo, ElevenLabs Eleven Multilingual v2 dan struktur kreditnya patut dihitung. Putusan akhir bergantung pada klip Indonesia yang layak dipublikasikan, jumlah pengulangan untuk mencapainya, serta paket atau API yang benar-benar dipakai.