ElevenLabs vs PlayHT: narrei o mesmo roteiro de 40 minutos com ambos

Peguei um roteiro de narração de curso de 40 minutos e passei por ElevenLabs e PlayHT, mesmo arquétipo de voz, mesmas instruções de ritmo, e então fiz trinta colegas ouvirem um A/B cego nos primeiros dois minutos. Vinte e seis escolheram o mesmo clipe e não chegou perto.

A ElevenLabs venceu as microdecisões emocionais. Ênfase na palavra certa, respirações que pareciam intencionais e uma ligeira desaceleração antes das mudanças de seção que ninguém percebeu conscientemente, mas todos sentiram. A saída do PlayHT era limpa e perfeitamente inteligível, mas distribuía a ênfase uniformemente, o que é o equivalente em áudio de uma página sem texto em negrito.

Onde o PlayHT reagiu foi no rendimento e no preço. Sua geração foi mais rápida em roteiros longos, seus limites de caracteres aumentaram por dólar e o fluxo de clonagem de voz fez menos perguntas. Para o e-learning interno, onde a narração é funcional e não amada, é difícil descartar essa economia.

A deriva de formato longo foi o outro separador. Por volta do minuto trinta, a entrega do PlayHT permaneceu estável enquanto minha paciência com a ênfase excessiva ocasional do ElevenLabs se esgotava; mas os erros do ElevenLabs foram erros expressivos, e eu preferi consertar dez palavras exageradas a ouvir quarenta minutos fixos. Sua tolerância decidirá isso, não uma referência.

O veredicto que dei à minha equipe: o trabalho voltado para o cliente e a marca vai para a ElevenLabs, o volume de conteúdo interno vai para o PlayHT. Se você paga apenas por um e narra coisas que os humanos escolheram ouvir, pague por aquele que respira.