Fish Audio o ElevenLabs: il prezzo più basso non vince ogni voce

Nel confronto audio di TechStackups, Eleven v4 è stato preferito nelle prove con voci predefinite, mentre Fish Audio Drama 3 ha conservato meglio l’identità del parlante clonato da un campione di 33,94 secondi. Per scegliere fra i due servizi conta quindi il tipo di voce richiesto: una voce pronta per la narrazione o una voce riconoscibile da replicare.

Su un copione italiano ipotetico, la tariffa API di Fish S2.1 Pro risulta inferiore a quella di Eleven v4 Turbo. Il confronto dei prezzi e quello degli ascolti riguardano però modelli diversi: la resa di Drama 3 ed Eleven v4 non misura automaticamente quella delle opzioni usate nel calcolo più economico. Per un agente vocale entra inoltre in gioco la latenza dell’intera risposta, oltre al prezzo della sintesi.

Voci pronte e cloni danno risposte diverse

La prova con voci predefinite ha messo a confronto due voci femminili britanniche su testi uguali, con una sola generazione per ciascuna prova e impostazioni predefinite. Nella lettura senza indicazioni, l’autore ha trovato Eleven v4 più naturale nelle pause e nell’intonazione. Anche nel brano con indicazioni emotive ha preferito ElevenLabs; per quei passaggi i due servizi ricevevano istruzioni equivalenti, espresse con i tag previsti da ciascuno.

Il testo più impegnativo conteneva un appuntamento, un riferimento di prenotazione, un numero di telefono e un importo in rand. Eleven v4 ha letto correttamente R1,249.50; Fish Drama 3 lo ha trasformato, all’ascolto dell’autore, in una cifra superiore al milione espressa in dollari. Per un messaggio che comunica quanto deve pagare una persona, l’errore cambia il contenuto, non soltanto la qualità della dizione.

Nella clonazione il risultato si è invertito sulla somiglianza. Entrambi i servizi hanno ricevuto la stessa registrazione e lo stesso testo da pronunciare: il clone Fish manteneva meglio accento e timbro del parlante, mentre quello ElevenLabs era più nitido ma meno simile alla sua voce. Le condizioni di accesso erano differenti: il clone Fish è stato creato sul sito gratuito, quello ElevenLabs tramite un account API Creator a pagamento. L’autore ha comunque giudicato entrambi i cloni riconoscibili come artificiali per chi conosce la sua voce.

Il risultato sulle voci pronte riguarda quelle due voci inglesi e quelle specifiche generazioni. È utile per distinguere naturalezza della lettura, correttezza di numeri e fedeltà di un clone, ma non assegna un vincitore generale alle librerie vocali né anticipa la resa di un copione italiano.

Il costo API dello stesso copione italiano

La tabella per sviluppatori di Fish Audio specifica per S2.1 Pro una tariffa di 15 dollari per milione di byte UTF-8, pur riassumendola altrove come prezzo per caratteri. La distinzione pesa in italiano: una lettera accentata codificata in UTF-8 occupa normalmente due byte, mentre una lettera ASCII ne occupa uno. Fish offre anche API REST, streaming WebSocket e SDK ufficiali per Python e TypeScript.

Il listino API di ElevenLabs indica invece 0,04 dollari per mille caratteri per v4 Turbo e 0,08 dollari per mille caratteri per v4. Applicando queste tariffe a un copione di 10.000 caratteri, una generazione costa rispettivamente 0,40 e 0,80 dollari. Sono importi per la sintesi tramite API, da tenere distinti dai crediti dei piani creativi.

Per normalizzare la tariffa Fish, si immagini esplicitamente un testo di 10.000 caratteri nel quale 200 sono lettere accentate e tutti gli altri occupano un byte ciascuno. Il totale diventa 10.200 byte: a 15 dollari per milione, la generazione con S2.1 Pro costa 0,153 dollari. A parità di numero di caratteri, v4 Turbo costa 0,40 dollari. L’esempio rende confrontabili le unità di fatturazione; non rappresenta un preventivo per qualsiasi testo italiano.

Apostrofi e virgolette tipografiche, simboli e una diversa frequenza di lettere accentate modificano il conteggio dei byte. Inoltre ogni versione rigenerata aggiunge testo fatturabile. In un agente vocale il costo della sintesi è soltanto una parte della spesa: il copione inviato all’API, la frequenza delle risposte e le eventuali correzioni determinano quanto pesa davvero quella differenza di tariffa.

Il prezzo dei modelli effettivamente ascoltati

S2.1 Pro non era il modello Fish della prova audio. Per Drama 3, Fish indica nel prezzo API di lancio 50 dollari per milione di caratteri come tariffa ordinaria e 10 dollari per milione nella promozione dal 13 ottobre al 12 novembre 2026. Lo stesso copione ipotetico di 10.000 caratteri costerebbe quindi 0,50 dollari a tariffa ordinaria oppure 0,10 dollari nel periodo promozionale.

Eleven v4, il modello ascoltato nell’altra metà del test, arriva a 0,80 dollari per quel numero di caratteri secondo il listino API. Anche considerando le tariffe ordinarie dei modelli provati, Fish costa meno per questa singola generazione. Nelle prove con voci predefinite, tuttavia, l’autore ha preferito ElevenLabs: il vantaggio economico può perdere valore quando una lettura di importi o riferimenti richiede controllo e una nuova registrazione.

Le due fasce di prezzo rispondono dunque a domande diverse. S2.1 Pro e v4 Turbo permettono di stimare la spesa di una scelta orientata al costo; Drama 3 ed Eleven v4 permettono di collegare una tariffa ai campioni sonori pubblicati. Mescolare il prezzo della prima coppia con il giudizio d’ascolto sulla seconda farebbe apparire dimostrata una qualità che quel test non ha misurato.

Italiano e latenza richiedono criteri propri

La documentazione dei modelli ElevenLabs include l’italiano fra le lingue della famiglia v4 e indica per v4 Turbo una latenza mediana di inferenza di circa 100 millisecondi, esclusi applicazione e rete. Quel valore riguarda il modello: in un agente, il tempo percepito comprende anche l’arrivo del testo da pronunciare, il trasferimento dell’audio e la riproduzione.

Per una narrazione italiana contano la continuità fra frasi, le pause, l’accento e la lettura di date, sigle, prezzi e nomi propri. Il confronto indipendente è stato svolto in inglese e l’errore monetario riguardava i rand. Segnala quanto possa essere importante controllare i testi con cifre, ma non misura come i due modelli pronuncino gli euro o rispettino le convenzioni italiane.

La priorità cambia con il prodotto finito. In un voice-over registrato si può scegliere fra più versioni e correggere una frase prima della pubblicazione; in una risposta telefonica generata al momento, una lettura sbagliata arriva direttamente all’interlocutore. Per quest’ultimo uso, una latenza di inferenza bassa è utile solo insieme a un tempo di risposta completo accettabile e a una pronuncia affidabile del contenuto effettivo.

Come scegliere senza confondere i risultati

Per una voce pronta destinata alla narrazione, ElevenLabs parte avvantaggiata dai campioni comparabili disponibili, soprattutto dove servono intonazione e lettura accurata di dati. Se l’obiettivo è preservare l’identità di una persona partendo da un campione breve, Fish Audio ha ottenuto il risultato più vicino al parlante in quella prova. Per un volume elevato di sintesi via API, Fish S2.1 Pro offre nell’esempio un costo inferiore, con una qualità che resta da valutare separatamente.

La scelta per un progetto italiano richiede infine lo stesso brano sui modelli candidati: una parte narrativa e una con i nomi, gli importi o i codici che il pubblico sentirà davvero. Conviene registrare separatamente prezzo del testo inviato, rigenerazioni, somiglianza del clone e tempo fino all’audio udibile. Queste misure rispondono alla domanda decisiva per creator e sviluppatori: quanto costa ottenere una voce utilizzabile, anziché soltanto generare una prima traccia.

Leggi anche:

• ElevenLabs o Azure Speech: nell’italiano naturale il prezzo non è tutto
• Colloquio strutturato o libero: una griglia non vince in ogni caso
• GitHub Copilot o Amazon Q: il prezzo basso nasconde crediti e limiti diversi