Атака на ElevenLabs: Google, Alibaba та FishAudio випустили нові моделі TTS
Google випустив Gemini 3.8 Flash TTS з керуванням голосом через промпт та підтримкою понад 100 мов. Alibaba представив Qwen-Audio-3.1 у чотирьох варіантах, а FishAudio показав превью Drama 3 — моделі TTS, яку називають найконтрольованішою. Це сигнал про розширення конкуренції на ринку синтезу мови.
📊 Тренд у TTS: варіантність зростає — для тих, хто генерує аудіоконтент і шукає альтернативи ElevenLabs.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Google випустив Gemini 3.8 Flash TTS з промпт-контролем голосу та підтримкою понад 100 мов
- •Alibaba представив Qwen-Audio-3.1 у чотирьох варіантах для розпізнавання, клонування, TTS та ефектів
- •FishAudio показав превью Drama 3 — моделі TTS з керуванням тонком, темпом і характером через звичайні слова
- •Жодна модель ще не доступна в публічному API — лише анонси та превью
- •ElevenLabs не зазнав реальної атаки — це метафора для опису росту конкуренції
Як це змінить ваш ринок?
Зростання кількості доступних TTS-моделей зменшує ринок monopoly одного постачальника. Маркетологи та контент-креатори зможуть порівнювати якість, ціни та контроль над виходом, що підвищує їх переговорну позицію. Це особливо важливо для тих, хто генерує великі обсяги аудіоконтенту і залежить від стабільності та вартості синтезу мови.
Визначення: TTS (Text-to-Speech-to-Speech) — технологія перетворення написаного тексту у природно звучащий мовний вихід за допомогою штучного інтелекту.
Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.
- •Для маркетологів та контент-креаторів: достатньо браузера та доступу до API (коли з'явиться), без IT-команди
- •Мін. масштаб: від 1 хвилини аудіо/міс — актуально навіть для фрілансерів
- •Час на впровадження: 0–15 хв для тестування API, коли стане доступним
- •Бюджет: залежить від моделі — ймовірно від $0.0004/1K символів (порівняно з ElevenLabs)
Альтернативи
| Продукт | Ціна | Де працює | Мін. вимоги | Ключова різниця |
|---|---|---|---|---|
| ElevenLabs | $0.0018/1K символів | API, веб | Інтернет-з'єднання | Найпопулярніший комерційний сервіс з високою якістю |
| Google Gemini 3.8 Flash TTS | дані не розкриті | API (очікується) | TBD | Промпт-контроль голосу, 100+ мов |
| Alibaba Qwen-Audio-3.1 | дані не розкриті | API (очікується) | TBD | Чотири в одній: ASR, мітки, клонування, TTS, ефекти |
| FishAudio Drama 3 | превью тільки | TBD | TBD | Керування голосом через звичайні слова, без аудіотегів |
💬 Часті запитання
Чи доступні ці моделі зараз?
Ні, лише Google Gemini 3.8 Flash TTS може стати доступним скоро через Vertex AI, а Qwen-Audio та Drama 3 — це превью або анонси без дати релізу.
Чи потрібна технічна команда для використання?
Ні, коли статимуть доступними через API — достатньо робити HTTP-запити, як з ElevenLabs або OpenAI TTS.
Чи підтримують вони українську мову?
Google Gemini 3.8 Flash TTS підтримує понад 100 мов — ймовірно, так. Про Qwen-Audio та Drama 3 даних нема.
Чи варто чекати на ці моделі замість ElevenLabs?
Тільки якщо вам критично важлива prompt-контроль голосу або потрібні додаткові функції типу клонування з ефектами. Інакше — використовуйте те, що працює зараз.
Чи це означає, що ElevenLabs впаде?
Ні. Це нормальна конкуренція. ElevenLabs все ще має перевагу у простоте, якості та екосистемі інтеграцій.
Підтекст
ElevenLabs не згадується як жертва атаки — це метафора. Насправді це сигнал про те, що великі гравці (Google, Alibaba) та стартапи активно розвивають сектор TTS, зменшуючи залежність від одного постачальника.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
AI Advisory Board
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiadvisoryboard.me