Fish Audio ou ElevenLabs: qual gerador de voz escolher?

Na comparação entre Fish Audio e ElevenLabs, escolha o Fish Audio para gerar voz gastando menos, se você puder cuidar da integração; prefira o ElevenLabs para um fluxo de produção que também exija dublagem, clonagem profissional ou agentes em vários canais. O S2.1-Pro do Fish aceita 83 idiomas, mas nem a quantidade de línguas nem uma tarifa baixa de conversão de texto para voz (TTS) dizem qual plataforma deve atender às ligações dos seus clientes.

Fish Audio ou ElevenLabs: qual escolher?

Para quem trabalha com marketing e produz locuções, o ElevenLabs é a primeira opção. A combinação de Studio, dublagem e clonagem profissional oferece um caminho mais claro entre o roteiro e um áudio de marca que pode ser reutilizado. O Fish ganha força quando a necessidade principal é gerar voz, você consegue cuidar da edição ao redor dessa etapa e a voz combina com o briefing.

Para quem está adicionando voz a um aplicativo, o ponto de partida é a API paga S2.1-Pro do Fish. O preço por uso é atraente para textos comuns em inglês. Prefira o ElevenLabs v4 Turbo quando a cobertura de idiomas documentada, a interface de diálogo ou uma integração existente pesarem mais do que a conta de geração de voz. Nenhuma dessas recomendações é um veredito baseado em teste de audição.

Para um agente telefônico, decida pelas exigências da operação. A plataforma Live 3 do Fish já documenta o essencial para chamadas, ferramentas, testes e transferência de atendimento. Merece um piloto para uma tarefa específica de agendamento ou suporte. O ElevenAgents leva vantagem para empresas que precisam coordenar conversas por telefone com canais de mensagens e requisitos de implantação corporativa.

Informações verificadas nas páginas de preços e na documentação dos dois fornecedores em 13 de novembro de 2026. Os critérios são adequação ao fluxo de trabalho, capacidades publicadas dos modelos, unidades de cobrança, permissões comerciais e risco de migração. O LLM é o modelo de linguagem que gera as respostas do agente; o modelo de voz transforma essas respostas em fala. Não houve testes com login, geração de áudio nem avaliação auditiva.

Locução e clonagem de voz: ElevenLabs leva vantagem no fluxo de produção

O ElevenLabs é uma plataforma de produção de voz e áudio. Para quem opera o marketing, sua vantagem está na conexão entre as etapas. O Starter inclui Instant Voice Cloning e Dubbing Studio; o Creator acrescenta Professional Voice Cloning. Uma marca que produz vídeos de produto em vários idiomas tem motivo para pagar por essas etapas reunidas, mesmo que outro fornecedor consiga sintetizar o roteiro por menos.

A clonagem profissional exige um processo específico de treinamento: não basta enviar uma amostra curta e receber um identificador de voz. A documentação de clonagem do ElevenLabs recomenda de 1 a 2 minutos para clonagem instantânea e de 30 a 180 minutos para a profissional, cujo treinamento costuma levar de 3 a 6 horas. Também aponta uma limitação: clones instantâneos podem ter dificuldades com vozes ou sotaques incomuns.

Isso faz diferença para um fundador que está gravando a voz definitiva da empresa. Um clone rápido serve para avaliar a ideia; uma voz de marca exige gravação limpa, interpretação consistente e revisão de quem cedeu a voz. Pagar pela clonagem mais cara não corrige ruído ou inconsistência na gravação original.

O Fish Audio combina geração de fala com clonagem instantânea e persistente. Seu guia de clonagem de voz recomenda pelo menos 10 segundos por trecho e afirma que um ou dois minutos de fala clara melhoram a fidelidade. É possível enviar áudio de referência em cada requisição ou criar um identificador de voz reutilizável. O Fish também oferece um fluxo de clonagem profissional no aplicativo web; portanto, a escolha não é entre uma plataforma com clonagem profissional e outra sem esse recurso.

O Fish leva vantagem quando a tarefa é gerar fala com direção de interpretação e baixo custo por uso. A documentação do Drama 3 descreve instruções de interpretação em linguagem comum, inserção de sons e pausas, mudanças aplicadas a palavras específicas, controles de pronúncia e diálogos com vários falantes. Um roteirista de jogos pode pedir uma fala ansiosa e enfatizar uma palavra sem mudar a interpretação da cena inteira.

Há um limite específico: as marcações de idioma no meio de uma fala do Drama 3 são experimentais. Não prometa a um cliente bilíngue que qualquer voz lidará de maneira consistente com qualquer par de idiomas. O ElevenLabs continua sendo a primeira opção para o fluxo mais amplo de marketing; o Fish é um candidato forte quando a direção de voz e a conta da API são os principais requisitos. A lista de recursos de nenhum dos dois determina qual entrega o melhor som final.

Modelos e idiomas atuais: qual atende à sua tarefa?

Entre os modelos de ponta atuais, o ElevenLabs publica a maior quantidade de idiomas; no Fish, a cobertura dos modelos precisa ser lida separadamente da cobertura dos agentes. Um idioma aceito pelo modelo TTS não equivale automaticamente a um fluxo telefônico validado de ponta a ponta.

O catálogo de modelos do Fish apresenta o S2.1-Pro como modelo recomendado para produção, com 83 idiomas. O S2.1-Pro Free usa o mesmo modelo e tem a mesma cobertura, sob limites de uso justo, mas sem garantias de tempo até o primeiro áudio ou de acordo de processamento de dados. O S2-Pro é a geração anterior, com 80+ idiomas. O S1 está descontinuado e será retirado em 31 de dezembro de 2026; as requisições passarão então para o S2.1-Pro. O Drama 3 é o modelo mais novo para criação de conteúdo, documentado separadamente. Sua página não informa um total de idiomas; atribuir a ele o número do S2.1-Pro seria uma suposição.

O catálogo de modelos do ElevenLabs lista Eleven v4 e v4 Turbo com 90+ idiomas. Eleven v3 e v3 Conversational cobrem 70+, Multilingual v2 cobre 29 e Flash v2.5 cobre 32. O Flash v2 aceita apenas inglês; os antigos Turbo v2 e v2.5 estão descontinuados em favor do Flash. Para novos projetos de fala expressiva, compare v4 e Drama 3; para uma camada rápida de voz, compare v4 Turbo ou Flash com o modelo específico de streaming do Fish que você pretende colocar em produção.

Para transcrição, o Fish oferece transcribe-1-pro, transcribe-1 e a versão de prévia transcribe-stream-1. O ElevenLabs lista Scribe v3 e Scribe v3 Live junto dos anteriores Scribe v2, v2 Realtime e v2 Medical. Esses modelos escutam áudio; não são alternativas de voz para narração. O ElevenLabs também vende Realtime v1 Mini e Max, configurações completas de modelos conversacionais voltadas, respectivamente, à conversa natural e a tarefas complexas.

Em um aplicativo multilíngue, o teste de aceitação deve usar um roteiro no idioma real do projeto: nomes, datas, endereços, frases com mistura de idiomas e interrupções. A quantidade total de línguas do fornecedor ajuda a filtrar opções, mas não garante a pronúncia.

APIs em tempo real: Fish se destaca como camada enxuta de voz

O Fish é o ponto de partida orientado a custo para quem já tem o restante do aplicativo pronto. Sua documentação de streaming oferece HTTP quando o texto está pronto e WebSocket quando ele chega aos poucos de um modelo de linguagem. O áudio pode começar antes que a resposta inteira esteja concluída.

Por exemplo, um fundador técnico que quer adicionar explicações faladas a um produto existente não precisa necessariamente de uma plataforma de agentes. O aplicativo já sabe o que dizer. Precisa de uma voz, um reprodutor de áudio e tratamento confiável de falhas. A API paga do Fish atende a essa tarefa mais restrita; a falta de garantias do modelo gratuito o torna uma escolha inicial menos adequada para um serviço voltado a clientes e com compromissos de atendimento.

As alegações de latência exigem o mesmo cuidado com o escopo. O Fish informa 100ms até o primeiro áudio no S2-Pro em seu catálogo. O ElevenLabs informa latência mediana de cerca de 100ms no v4 Turbo, sem incluir a latência do aplicativo e da rede. São alegações dos fornecedores para modelos específicos, não uma medição comparativa nem uma promessa sobre a espera de quem liga.

Também há divergência entre páginas do próprio ElevenLabs: a página de preços da API anuncia cerca de 75ms para Flash/Turbo e 280ms para v3 Conversational, enquanto a documentação dos modelos informa aproximadamente 100ms para Flash v2.5 e 165ms para v3 Conversational, com o escopo da medição definido. Use a documentação do modelo para entender o que foi medido e depois meça o caminho completo da sua requisição antes de fixar uma meta de serviço.

O ElevenLabs leva vantagem quando a interface ou a capacidade do modelo é o requisito decisivo. O v4 está disponível pelo Text to Dialogue, e o v4 Turbo pelo WebSocket de diálogo. Uma requisição de diálogo não substitui necessariamente, sem adaptações, uma requisição TTS existente de voz única. Verifique o suporte dos endpoints antes de tratar a troca de modelo como uma simples alteração de configuração.

Planos e tarifas de API publicados

O Fish costuma ser mais barato, mas a unidade de cobrança e a promoção determinam o tamanho dessa diferença. A tabela abaixo reúne opções de compra consultadas em 13 de novembro de 2026. Os valores em dólares são USD; preços recorrentes e ofertas de entrada aparecem separados. A página web do Fish abriu na visualização de cobrança anual, portanto os equivalentes mensais exibidos não são apresentados como mensalidades que podem ser canceladas a qualquer momento.

Fontes: planos web do Fish, preços e limites de requisições da API do Fish, preços do ElevenCreative, preços do ElevenAPI e preços do ElevenAgents. As tarifas de agentes do Fish vêm da seção de preços de sua página de produto de agentes, vinculada abaixo. A tabela cobre voz e agentes; preços de música, imagem e vídeo ficam fora desta comparação.

Para mais contexto sobre os planos, consulte o guia de preços do ElevenLabs. Não trate os créditos dessas linhas como equivalentes em uma planilha. A página da API do ElevenLabs, por exemplo, lista 275,000 caracteres de v4 no Creator, enquanto o plano Creative lista 121,000 créditos. O Fish separa explicitamente o saldo da API da assinatura web. Faça o orçamento com base no produto que você vai usar.

Preços do Fish Audio: quando a opção mais barata deixa de ser

Para um milhão de caracteres ASCII simples, a mesma entrada ocupa um milhão de bytes UTF-8. Considerando apenas as tarifas por uso, o Drama 3 custa $10 na promoção ou $50 pelo preço de tabela; o Eleven v4 custa $80. O S2.1-Pro custa $15, contra $40 do v4 Turbo. São modelos diferentes, não pacotes de qualidade equivalente.

Agora considere uma entrada ilustrativa com um milhão de cópias de um caractere chinês de três bytes. O Fish cobra três milhões de bytes: o Drama 3 passa a custar $30 na promoção ou $150 pelo preço de tabela, enquanto o v4 continua em $80 por um milhão de caracteres. É um cálculo de codificação, não uma afirmação de que todo roteiro em chinês tem exatamente essa proporção: espaços, pontuação e mistura de idiomas alteram a conta.

No preço de tabela do Drama 3, o ponto de equilíbrio em relação ao v4 é 1.6 bytes UTF-8 por caractere: $50 × 1.6 = $80. Acima dessa média, a tarifa publicada por caractere do v4 é menor. Durante a oferta de lançamento, o limite correspondente é de 8 bytes por caractere. Para S2.1-Pro contra v4 Turbo, é de aproximadamente 2.67 bytes por caractere.

Um CTO que planeja uma implantação multilíngue deve contar os bytes UTF-8 de roteiros representativos antes de projetar os gastos. Novas tentativas, instruções de interpretação e franquias de assinatura não utilizadas podem mudar a conta de novo. Não existe um percentual universal de economia válido para todos os modelos e idiomas.

Agentes telefônicos e Live 3: ElevenLabs é mais abrangente, Fish merece um piloto

O ElevenAgents é a primeira opção mais forte quando a conversa por telefone faz parte de uma operação de suporte mais ampla. Sua página de agentes lista telefone, web, dispositivos móveis, WhatsApp, SMS, email e chat, além de fluxos de trabalho, simulações, análises e conexões por APIs, webhooks e Model Context Protocol (MCP), um padrão para conectar ferramentas. Entre as opções corporativas publicadas estão residência regional de dados, retenção zero e controles de acesso. São condições de contratação a confirmar para a sua implantação, não recursos que se deve presumir disponíveis em todos os planos.

As páginas de Voice Agents e Live 3 do Fish já descrevem um produto completo de agentes, não apenas um endpoint de voz. O Live 3 é oferecido como modelo full-duplex, o que significa que o sistema conversacional pode escutar e falar ao mesmo tempo; a plataforma também aceita uma abordagem em cascata, que encadeia reconhecimento, raciocínio e fala.

O Fish documenta bases de conhecimento, ferramentas de API, tratamento de interrupções, testes de simulação, histórico de versões, gravações, transcrições, resumos, extração estruturada e transferências para humanos com ou sem apresentação prévia do atendimento. Sua página de agentes anuncia 30+ idiomas. Esse é o número a verificar na compra de um agente, em vez de usar os 83 idiomas do catálogo TTS.

Para uma empresa de serviços locais que agenda horários, essas capacidades publicadas justificam um piloto com o Fish: coletar o pedido, consultar uma agenda por meio de uma ferramenta, confirmar o agendamento e encaminhar exceções a uma pessoa. O Fish inclui reconhecimento de fala, seu LLM padrão e voz na tarifa básica do agente; modelos premium e telefonia são cobrados à parte. O ElevenLabs separa o uso de LLM e a operadora externa da tarifa por minuto de agente. Comparar os valores básicos como se ambos fossem contas telefônicas completas seria enganoso.

As evidências aqui não apontam um vencedor em latência de ponta a ponta. As páginas verificadas do Fish Live 3 não apresentam uma promessa numérica comparável de latência de resposta. A Realtime API do ElevenLabs anuncia tempo até o primeiro áudio de 620ms no Mini e 570ms no Max, mas essa não é a mesma medição da latência de síntese de um modelo TTS. Um agente de agendamento também depende da sua agenda, da rede e da detecção de turnos de fala.

Antes de encaminhar chamadas reais, teste uma interrupção, um horário indisponível, uma falha ao acionar uma ferramenta e um pedido para falar com uma pessoa. Avalie a conclusão da tarefa e a recuperação de falhas, não apenas a saudação. Mantenha o atendimento telefônico atual até que o substituto consiga lidar com esses casos.

Fish Audio é grátis? Direitos comerciais e limites

Os dois oferecem opções gratuitas úteis para avaliação; nenhuma deve ser tratada como autorização irrestrita para locuções comerciais gratuitas. O Free Tier web do Fish lista 8,000 créditos mensais, até 7 minutos, limite de 500 caracteres por geração e espaços públicos para vozes. O FAQ de preços afirma expressamente que o conteúdo gratuito se destina a projetos pessoais e não comerciais, enquanto assinantes premium podem usar comercialmente vozes verificadas que lhes pertencem.

O modelo gratuito da API do Fish é uma oferta separada. Ele entrega a qualidade do S2.1-Pro sob limites de uso justo, sem garantias de tempo ou de processamento de dados. Isso não elimina a distinção entre o plano web, os termos da API e os direitos de uma voz específica. Confirme se o uso comercial pretendido da API é permitido, em vez de transportar uma permissão de outra página de produto.

O Creative Free do ElevenLabs inclui conversão de texto para voz, Voice Design e projetos limitados no Studio; Instant Voice Cloning e licença comercial aparecem no Starter. Seus termos atuais para fora do Espaço Econômico Europeu distinguem o uso gratuito não comercial do uso comercial com assinatura paga, sujeito à política de uso e aos direitos necessários.

Há um conflito real na documentação de agentes: a página de apresentação de agentes do ElevenLabs menciona licença comercial junto do cadastro gratuito, mas a página de preços coloca esse direito no Starter, e os termos gerais restringem usuários gratuitos. Obtenha confirmação por escrito antes de usar comercialmente o acesso gratuito a agentes. Uma chamada promocional não é base sólida para o contrato operacional de um cliente.

Fish Audio é seguro para uma voz de marca privada?

Defina a visibilidade e as condições de uso dos dados antes de enviar a gravação. Pela documentação da API do Fish, clones persistentes são privados por padrão, enquanto o plano web gratuito anuncia espaços públicos; são fluxos diferentes. Uma gravação sensível de marca não deve entrar por acidente em um fluxo de biblioteca pública. Com qualquer fornecedor, confirme retenção, uso permitido e quem controla a conta antes de enviar material de clientes.

Como migrar do ElevenLabs para o Fish Audio

Trate a migração como uma mudança de voz e de comportamento, mesmo que o código continue funcionando. O guia de compatibilidade do Fish com ElevenLabs documenta uma URL base alternativa, mas os identificadores de voz do ElevenLabs não viram vozes do Fish. Recrie a voz autorizada ou escolha uma voz do Fish e aprove novamente sua interpretação.

A limitação mais relevante é a compatibilidade silenciosa. O Fish aceita configurações como similarity_boost, style, use_speaker_boost e seed, mas as ignora nessa camada. Um nome de modelo do ElevenLabs aceito pode ser atendido pelo Fish S2.1-Pro. Portanto, uma resposta bem-sucedida não prova que o modelo escolhido ou os controles criativos foram preservados na migração.

A camada de compatibilidade também rejeita saída μ-law e A-law, formatos usados em telefonia. Ela não oferece todos os recursos de transcrição do ElevenLabs, incluindo diarização (identificação de quem falou), ocultação de informações e webhooks. São limitações desse caminho de compatibilidade, não uma afirmação de que a plataforma nativa do Fish carece de todas as capacidades correspondentes.

Não mude apenas pela tarifa da API se o valor da sua configuração atual vem de um clone cuidadosamente aprovado, do fluxo de dublagem, do alinhamento temporal ou de uma integração telefônica que funciona. Guarde gravações e roteiros originais, liste as configurações usadas pelo aplicativo, reconstrua um fluxo representativo e compare o resultado aprovado antes de migrar o restante. Para ampliar a seleção, consulte as alternativas ao ElevenLabs e o guia dos melhores geradores de voz com IA do site; a análise do ElevenLabs detalha sua adequação à produção.

Perguntas frequentes

O Fish Audio AI é grátis?

Sim. O Free Tier web e a API S2.1-Pro Free são ofertas gratuitas distintas. O plano web tem franquia mensal e restrição a uso pessoal; o modelo da API tem limites de uso justo e não oferece garantias de tempo ou de processamento de dados. O uso comercial pago exige as permissões adequadas.

Clonar voz é ilegal?

O recurso de clonagem ou o plano comercial de uma plataforma não autoriza o uso da identidade de outra pessoa. Esta comparação descreve recursos dos fornecedores e termos dos planos, não concede autorização jurídica para uma gravação específica. Use material de origem autorizado e resolva os direitos de quem cedeu a voz antes de publicar.

Qual IA é melhor para conversar por voz?

Para um fluxo telefônico empresarial que envolve canais de mensagens, comece pelo ElevenAgents. Para um agente específico de telefone ou web, com um piloto sensível a custos, vale considerar o Fish Live 3. Uma API de TTS sozinha não fornece todo o fluxo da conversa.

Qual IA faz a melhor locução?

Esta comparação não tem um vencedor por teste de audição. O ElevenLabs é a recomendação de fluxo de trabalho para profissionais de marketing que precisam de Studio, dublagem e clonagem profissional; o Fish é a opção orientada a custo quando a tarefa principal é gerar fala com direção de interpretação. Aprove a voz real usando o seu roteiro.

O ChatGPT faz locuções?

O ChatGPT pode produzir respostas faladas em uma conversa. Essa é uma decisão de compra diferente da escolha de um fluxo de locução exportável e clonagem. A documentação de Voice da OpenAI descreve uso conversacional; não estabelece o fluxo de exportação para produção comparado aqui.

O modo de voz do ChatGPT tem limite de tempo?

Sim. Os limites de uso dependem do plano e da experiência de Voice, e as conversas também podem atingir um limite de sessão ou de contexto. Essas franquias não são créditos de geração do Fish ou do ElevenLabs.

Como contornar o limite de Voice do ChatGPT?

Use a franquia disponível na sua conta, espere sua renovação ou escolha um plano adequado. A orientação de Voice consultada aqui não documenta nenhuma forma autorizada de contornar o limite.

Como ter ChatGPT ilimitado de graça?

A orientação atual de Voice lista acesso gratuito limitado, não um plano gratuito de voz ilimitada. Não monte o orçamento de um fluxo de narração em produção contando com essa promessa.

Existe um ChatGPT sem nenhuma limitação?

A documentação não estabelece uma oferta de Voice sem restrições. Mesmo o plano descrito como ilimitado está sujeito a proteções contra abuso; limites de sessão e de recursos continuam relevantes.

Quando escolher Fish Audio e quando escolher ElevenLabs

Escolha o Fish Audio se você quer gerar fala gastando menos, consegue cuidar do aplicativo ou da edição ao redor dessa etapa e já verificou o custo em bytes dos seus idiomas. A API paga S2.1-Pro é o ponto de partida prático para uma integração enxuta; vale avaliar o Drama 3 para interpretações dirigidas. O Live 3 merece um piloto de escopo definido quando os recursos de chamadas publicados cobrem a tarefa.

Escolha o ElevenLabs se o trabalho se beneficia do fluxo criativo integrado, da cobertura de idiomas dos modelos de ponta atuais ou da variedade maior de canais de agentes e opções corporativas. Continue com ele quando a migração descartaria um comportamento de voz aprovado ou um processo de produção que funciona em troca de uma economia que você ainda não calculou.

Na próxima semana, pegue um roteiro aprovado ou um cenário completo de chamada, conte suas unidades de cobrança, identifique as permissões comerciais necessárias e registre os casos de falha. Escolha a plataforma que executa essa tarefa com um custo total aceitável.

Receba o mapa de ferramentas de IA para donos de negócios pela newsletter e transforme a seleção em um plano prático de adoção.