Fish Audio ou ElevenLabs: voz melhor no ranking custa até 6 vezes menos

Na arena da Artificial Analysis, o Fish Audio S2.1 Pro registra 1.141 pontos e preço estimado de US$ 15 por milhão de caracteres, contra 1.095 pontos e US$ 100 do ElevenLabs Multilingual v2: nessa referência, a voz mais bem colocada custa mais de seis vezes menos. A comparação vale para esses modelos. O Eleven v4 Turbo lidera a mesma lista, com 1.329 pontos.

Para produzir voz em português brasileiro, o Fish é um candidato forte quando o custo por volume, a clonagem rápida e o controle da interpretação pesam mais. A ElevenLabs pode ser a melhor escolha se uma voz da sua biblioteca ou o v4 Turbo funcionar melhor no roteiro do projeto. A preferência medida em inglês ajuda a selecionar candidatos, mas não resolve a pronúncia de nomes, números e expressões brasileiras.

O que a nota de qualidade mede

A metodologia da Artificial Analysis apresenta aos ouvintes dois áudios gerados com o mesmo texto, oculta os nomes dos modelos e pede que escolham o preferido. Na arena de vozes dos fornecedores, as amostras usam vozes disponibilizadas por cada empresa, organizadas por gênero e por sotaques dos Estados Unidos e do Reino Unido. A pontuação expressa preferência relativa nesse conjunto de comparações.

Essa distinção importa para quem pretende clonar uma voz: escolher entre locutores prontos também envolve gostar do timbre selecionado pelo fornecedor. A avaliação com uma mesma voz de referência clonada é outra modalidade e responde melhor à pergunta sobre o desempenho dos modelos com identidade vocal controlada. Tampouco convém transformar a posição geral em promessa de sotaque brasileiro. Um texto local pode expor dificuldades que não aparecem nas amostras usadas para formar aquela classificação.

Preço da API: caractere e byte dão contas diferentes

A API do Fish Audio anuncia US$ 15 por milhão de bytes UTF-8 para o S2.1 Pro e descreve clonagem a partir de clipe curto, suporte a mais de 80 idiomas, streaming por REST ou WebSocket, marcação temporal por palavra, múltiplos falantes e saída de até 48 kHz. Já a tabela de API da ElevenLabs em português cobra por caracteres: US$ 80 por milhão no v2 Multilingual e US$ 40 no v4 Turbo como tarifas regulares; a oferta exibida até 12 de outubro reduz o v4 Turbo a US$ 11 por milhão. São preços dos modelos na API, distintos da mensalidade de uma assinatura.

A diferença de unidade afeta especialmente textos com acentos. Em UTF-8, letras acentuadas comuns em português ocupam mais bytes que letras sem acento; espaços e muitas letras usuais ocupam apenas um. Num exemplo hipotético em que 5% dos caracteres ocupem dois bytes e os demais ocupem um, um milhão de caracteres representa 1,05 milhão de bytes. Aplicando as tarifas citadas, o lote custaria US$ 15,75 no Fish, US$ 80 no Multilingual v2 e US$ 40 no v4 Turbo fora da oferta. Com a promoção indicada, o v4 Turbo sairia por US$ 11.

O preço de US$ 100 atribuído ao Multilingual v2 no ranking difere dos US$ 80 da tabela comercial em português. O primeiro é um valor equivalente usado na comparação entre modelos; o segundo é a tarifa apresentada para contratação nessa página. Por isso, a diferença superior a seis vezes descreve o ranking e não deve ser aplicada diretamente a uma fatura. Para estimar o projeto, conte os caracteres enviados à ElevenLabs e os bytes UTF-8 enviados ao Fish, usando a tarifa do modelo e as condições comerciais escolhidas.

Assinatura e clonagem de voz

Nos planos da ElevenLabs, os créditos mensais são compartilhados entre produtos; no Multilingual v2, cada caractere de texto equivale a um crédito. O Starter inclui clonagem instantânea, enquanto o Creator acrescenta clonagem profissional. Isso torna a assinatura uma decisão sobre franquia e recursos disponíveis, além do preço de geração: dividir a mensalidade pelos caracteres só produz uma comparação útil quando se conhece o plano, o modelo e quanto da franquia será usado.

O Fish oferece uma voz reutilizável criada com um clipe de referência curto e permite orientar a interpretação com tags de emoção no texto. Para um narrador recorrente, a questão é se o clone mantém timbre, ritmo e inteligibilidade ao longo de frases diferentes. A disponibilidade do recurso, por si só, não garante que uma gravação específica produzirá a semelhança desejada. Na ElevenLabs, a distinção entre clonagem instantânea e profissional também pode pesar mais que a diferença de tarifa se a identidade da voz for o requisito central.

Integração e entrega do áudio

No Fish, streaming e marcação por palavra atendem a necessidades diferentes: o primeiro permite começar a entregar o áudio antes de concluir toda a geração; a segunda ajuda a sincronizar fala e legenda. O suporte a múltiplos falantes em uma geração é pertinente para diálogos. Em qualquer caso, a latência percebida no aplicativo dependerá também da rede, do tamanho do texto e de como o áudio é reproduzido.

Na ElevenLabs, a escolha do modelo altera tanto o custo quanto o objetivo da geração: uma locução longa, uma fala expressiva e uma resposta em tempo real não exigem a mesma configuração. A API aceita vozes da biblioteca do usuário, inclusive vozes clonadas. Para comparar integrações, vale observar separadamente o tempo até o primeiro áudio, o tempo até o arquivo completo e a consistência entre trechos sucessivos. A nota de preferência em amostras curtas não mede essas etapas de produção.

Um teste de voz para português brasileiro

Um roteiro curto e idêntico nas duas plataformas revela mais sobre o projeto do que uma demonstração com textos e vozes diferentes. Use a mesma gravação de referência autorizada quando a tarefa envolver clonagem. Mantenha volume de reprodução e formato de saída comparáveis e registre o texto efetivamente enviado: uma grafia ajustada para melhorar a pronúncia também altera a entrada e, possivelmente, a cobrança.

• Números e valores: numa frase hipotética como “A proposta passou de R$ 1.250,50 para R$ 12.500,00”, observe separadores, centavos e pausas, além da naturalidade da fala.
• Datas e horários: compare “05/06” com “6 de junho, às 14h30”. A forma numérica pode gerar uma leitura indesejada; a forma escrita permite avaliar se explicitar a data resolve o caso.
• Nomes e sotaque: inclua nomes que o projeto tenha autorização para usar e localidades conhecidas do seu público. Ouça vogais, sílabas tônicas e ritmo, sem tomar suporte ao idioma como garantia de sotaque adequado.
• Emoção e continuidade: gere a mesma frase em tom neutro e com entusiasmo contido. Observe se a intenção muda sem prejudicar a clareza ou a identidade vocal.

Apresente os áudios sem identificar a plataforma e peça aos ouvintes que indiquem a preferência e apontem erros concretos. Separe pronúncia, interpretação e semelhança com a referência clonada: uma voz pode soar agradável e ainda falhar no nome mais importante do roteiro. Registre também o volume cobrado e o tempo de entrega. Assim, a decisão considera a fala que o público brasileiro ouvirá e a conta que o projeto terá de pagar.

Leia também:

• Koa promete três vezes menos erros — ainda perde para modelos de fronteira
• Jalapeño reduz a latência em até 3,6 vezes — mas não rompe com a Nvidia
• ARR subiu dez vezes? Antes de celebrar, compare-a com a receita