ElevenLabs vs PlayHT: Narré el mismo guión de 40 minutos con ambos

Tomé un guión de narración de curso de 40 minutos y lo pasé por ElevenLabs y PlayHT, el mismo arquetipo de voz, las mismas instrucciones de ritmo, y luego hice que treinta colegas escucharan un A/B ciego en los primeros dos minutos. Veintiséis eligieron el mismo clip y no estaba cerca.

ElevenLabs ganó las microdecisiones emocionales. El énfasis aterrizaba en la palabra correcta, respiraciones que sonaban intencionales y una ligera desaceleración antes de los cambios de sección que nadie notó conscientemente pero todos sintieron. La salida de PlayHT fue limpia y perfectamente inteligible, pero distribuyó el énfasis de manera uniforme, lo que es el equivalente en audio de una página sin texto en negrita.

Donde PlayHT se defendió fue en rendimiento y precio. Su generación fue más rápida en guiones largos, sus límites de caracteres fueron mayores por dólar y el flujo de clonación de voces planteó menos preguntas. Para el aprendizaje electrónico interno, donde la narración es más funcional que querida, esos aspectos económicos son difíciles de descartar.

La deriva de forma larga fue el otro factor de separación. Alrededor del minuto treinta, la entrega de PlayHT se mantuvo estable mientras mi paciencia con el ocasional énfasis excesivo de ElevenLabs se agotaba; pero los errores de ElevenLabs eran errores expresivos, y yo prefería arreglar diez palabras sobreactuadas que escuchar cuarenta minutos planos. Su tolerancia decidirá esto, no un punto de referencia.

El veredicto que le di a mi equipo: el trabajo de cara al cliente y de marca va a ElevenLabs, el volumen de contenido interno va a PlayHT. Si solo pagas por uno y narras cosas que los humanos eligieron escuchar, paga por el que respira.