Fish Audio还是ElevenLabs：中文听感与实际成本

在Fish Audio 自行组织的中文盲选中，329组符合条件的偏好对给Fish S2 Pro的Bradley–Terry得分为8.11，高于ElevenLabs V3的2.36。对普通话旁白，Fish Audio因此值得优先试听；如果经常在平台内修改长稿、管理项目和制作配音，ElevenLabs的工具更完整。

费用则不能只比较两家的标价。Fish Audio付费开发者API按UTF-8字节收费，常用汉字在输入中通常各占三个字节；ElevenLabs按套餐提供积分，消耗量随语音模型变化。同一段中文稿的生成费用、整月账单和最终成片成本，是三笔不同的账。

中文盲选说明了什么

这项盲选让Fish Audio网页用户在相同文本、相同参考音色的两段声音之间选择。用户需要分别播放，再只下载其中一段；统计的是实际选择偏好，并非专门为“自然度”单独打分。它能提示哪款声音更值得先听，却不能保证每一种音色、方言或节目风格都会得到相同结果。

测试流量来自Fish自己的网页平台，参考音色需先克隆到其他服务，能参与比较的请求还受各模型支持功能的限制。TextToLab的体验比较也认为Fish的语音听感更自然，而ElevenLabs的内容制作工具更顺手；其价格倍数比较把Fish的字节与字符混用，不能直接用于中文预算。

以同一段普通话短稿试听，才能把公开偏好与自己的用途接起来。比如条件示例“下周一早高峰，地铁站将调整入口。请提前留意现场指引”，可以同时听停顿、重音、句末语气和专有名词发音。若一边加入情绪指令、另一边只输入纯文本，听到的差别就包含了提示方式，而不只是声音模型。

首音延迟影响预览，不代表交付速度

首音延迟是发出请求到收到第一段可播放声音的等待时间。Fish Audio S2技术报告记录，其推理引擎在单块NVIDIA H200上达到约100毫秒的最低首音时间，实时因子为0.195。这是特定引擎与运行条件下的指标，不能当成创作者从各地调用云端服务时的完整等待时间，也不能据此判定ElevenLabs更慢。

边听边改短视频台词时，首音快意味着较早听到语气是否合适；预先制作整期播客时，更关键的是完整音频何时可用。上传文本、排队、生成后半段、下载和审听都在第一声之后发生。一次请求若很快开口，却在后段出现断句问题，仍可能需要重新生成。

批量制作还会放大重试成本。把长稿拆成可单独替换的段落，可以减少修改一句话时重做整期的范围；代价是要处理段落间的音量、语气与衔接。公开的首音数字没有覆盖这些成片环节，因此延迟应与完整生成时间、可用片段比例一起理解。

一分钟和一小时中文配音怎么换算

Fish Audio开发者价格页把付费S2.1 Pro文本转语音列为每100万UTF-8字节15美元，并提供按量付费的托管API。纯汉字和常见中文全角标点通常各占三个字节；英文字符和半角标点通常各占一个字节。因此纯汉字输入换算后约为每100万字45美元，中英混排稿应以实际UTF-8编码长度计算。

ElevenLabs价格页列出Starter常规月费6美元、每月3万积分；Multilingual V2文本转语音每字符消耗1积分，部分Flash或Turbo模型的API用量可按更低比例消耗。积分由多个产品共用，页面上的首月优惠也不同于长期月费。

以下是条件估算：假设每分钟成片恰好使用250个汉字，不计标点、英文、情绪标签和重做；一小时就是1.5万个汉字。Fish采用上述付费API单价，ElevenLabs采用Starter常规月费按全部积分平均分摊、Multilingual V2每字消耗1积分的算法：

一分钟成片：Fish约用750字节，文本生成费约0.01125美元；ElevenLabs约用250积分，按套餐额度分摊约0.05美元。
一小时成片：Fish约用4.5万字节，文本生成费约0.675美元；ElevenLabs约用1.5万积分，按套餐额度分摊约3美元。

这组数字是输入文本的理论消耗，不是两张实际账单。若只订阅ElevenLabs制作这一小时内容，仍须支付整月套餐费；若本来就在使用该套餐且积分有余额，这段配音可能暂时没有新增订阅支出。改用积分消耗较低的模型也会改变分摊结果，但声音表现要另行比较。

模型版本还有一道边界：中文盲选比较的是Fish S2 Pro和ElevenLabs V3，上面的价格估算用的是当前Fish S2.1 Pro付费API与ElevenLabs Multilingual V2积分规则。不能把盲选得分直接贴到这组费用数字上，宣称某个经过盲选的声音每分钟一定更划算。重生成的次数、实际标点和混排字符也会改变最终用量。

工作流如何改变实际成本

Fish的托管API提供REST、WebSocket以及Python和TypeScript SDK，适合已有脚本和剪辑流程、希望按段生成并自行保存版本的创作者。按量付费让低产量项目容易计算文本成本，但生成后的文件命名、审听、替换和与画面对齐，仍由制作流程承担。

ElevenLabs的Starter套餐包含Studio项目、即时声音克隆、Dubbing Studio和商业使用权限。对需要在一个平台内反复改稿、挑选声音或处理视频配音的人，这些工具有实际价值；能否省下足以抵消费用差额的时间，取决于项目长度、修改频率和团队原有工具，不能从功能清单推算出统一比例。

因此，普通话短旁白且已有成熟剪辑流程时，Fish在现有中文偏好证据和上述纯汉字按量估算中更有吸引力。长稿需要频繁修改，或ElevenLabs订阅与积分本就在使用时，平台内完成项目所花的时间可能比每段文本的分摊价更影响选择。真正需要核算的是每分钟可交付音频所耗的生成次数、积分或字节，以及人工修正时间。