"Jika membandingkan Multilingual v2 dengan Eleven v3, pastinya v3 lebih unggul, bukan?"
Banyak yang berasumsi bahwa v3, yang kini telah resmi dirilis setelah fase Alpha, adalah model superior yang secara otomatis lebih baik dalam segala hal.
Kami telah menguji dan membandingkan v2 dan v3 menggunakan suara bahasa Indonesia yang sama dalam 4 segmen berbeda.
Meskipun v3 menang telak dalam hal ekspresi emosional, untuk aspek konsistensi suara, v2 saat ini masih memimpin.
Berikut adalah rangkuman perbedaan nyata dari perspektif pengguna, lengkap dengan 9 trek audio yang bisa Anda dengarkan langsung.
Halo, selamat datang di Sonetho! ⚡
Sudah cukup lama sejak v3 dirilis secara resmi.
Meskipun v3 perlahan menjadi "model bawaan" atau default, bagi kita yang menggunakannya setiap hari, terasa jelas bahwa v3 tidak selalu mengungguli v2 di semua aspek. (Saya sendiri pun masih setia menggunakan v2 untuk proyek tertentu!)
Oleh karena itu, kami memutuskan untuk melakukan validasi yang akurat.
Eksperimen ini membandingkan langsung kedua model menggunakan suara, teks, dan pengaturan yang identik.
👉 Alat yang kami gunakan untuk eksperimen ini adalah paket ElevenLabs Creator.
Keduanya, v2 dan v3, dapat digunakan untuk pelatihan PVC (Professional Voice Cloning) mulai dari paket Creator — Anda bisa memulainya dengan diskon 50% di bulan pertama (hanya $11/bulan).
🔬 Metode Pengujian
Model: Eleven Multilingual v2 / Eleven v3
Voice: Mike dari ElevenLabs Voice Library — Friendly, Balanced and Clear (PVC)
Teks: 4 segmen (nada kasual, emosional, istilah asing/angka, dan tag efek suara)
Variabel Tambahan (hanya Segmen 1): v3 dengan "baris baru (line break)" vs "tanpa baris baru" untuk menguji konsistensi suara per kalimat.
Tingkat Kesulitan (Segmen 3): Menguji kemampuan v3 dalam memproses istilah seperti "GPT-5.5" atau "$22" tanpa mengubahnya menjadi teks fonetik, melainkan input mentah.
🎙️ Segmen 1 — Nada Kasual (Kalimat Pernyataan Alami)
Ini adalah kalimat pernyataan bahasa Indonesia yang umum.
Poin utama segmen ini bukan pada teksnya, melainkan "bagaimana suara berubah saat ada baris baru".
Kami memasukkan teks yang sama dengan dua cara di ElevenLabs Studio:
Dengan baris baru: Dipisahkan menjadi 4 paragraf pendek.
Tanpa baris baru: Teks digabungkan menjadi satu paragraf utuh.
v2 (Dengan baris baru)
v3 (Dengan baris baru)
v3 (Tanpa baris baru — satu paragraf)
📌 Temuan 1: v3 mengubah sedikit karakteristik suara setiap ada baris baru.
v2 mempertahankan nada, intonasi, dan kecepatan bicara yang konsisten di mana pun baris baru diletakkan. Sebaliknya, v3 seolah-olah melakukan "sampling ulang" setiap kali baris baru muncul (ditambah risiko akhir kalimat yang terpotong).
Pada trek ketiga di mana baris baru dihapus, v3 mampu mempertahankan konsistensi. Artinya, masalah ini bukanlah cacat model, melainkan karakteristik bawaan dari "paragraph-level reseed".
Mengapa ini penting? Untuk seri konten, sulih suara karakter, atau bab buku audio, v3 tidak bisa langsung digunakan karena konsistensi suara adalah segalanya.
Solusinya adalah meminimalkan pemisahan paragraf atau memproses seluruh bab dalam satu kesatuan (meskipun ada batasan jumlah karakter).
😊 Segmen 2 — Ekspresi Emosional (Kaget, Senang, Serius)
Segmen ini menguji kemampuan menyampaikan kata yang sama dengan nada emosional yang berbeda.
v2
v3
📌 Temuan 2: Ekspresi emosional v3 jauh lebih unggul.
v2 cenderung datar dalam menyampaikan emosi. Nada saat mengucapkan "Wah, benarkah?" (kaget) dan "Jujur, itu cukup mengejutkan" (serius) hampir tidak ada bedanya.
v3 memiliki jangkauan dinamis yang jauh lebih besar. Nada saat kaget melonjak tinggi, bagian serius menjadi lebih dalam dengan tarikan napas, dan bahkan ada simulasi jeda singkat dalam ekspresi emosional yang kompleks.
Dalam aspek ini, v2 sulit mengejar v3. Jika Anda mengerjakan iklan, sulih suara, atau karakter suara, v3 adalah pilihan yang mutlak.
Ingin mendengar langsung ekspresi v3? Anda bisa mendapatkan v2 dan v3 dalam satu paket.
Keduanya tersedia di paket Creator, dan Anda bisa melatih PVC sendiri. Coba bandingkan langsung dengan diskon 50% di bulan pertama ($11).
Mulai dengan Paket Creator (Diskon 50%) →
🔤 Segmen 3 — Campuran Bahasa Inggris, Angka, dan Istilah Asing
Ini adalah area dengan trade-off paling menarik dalam eksperimen ini.
Kami sengaja memasukkan istilah yang sulit bagi penutur bahasa Indonesia seperti "GPT-5.5", "$22", "Claude Opus 4.7", dan "API 300ms" dalam bentuk teks mentah.
v2
v3
📌 Temuan 3 (Trade-off): Tergantung pada data pelatihan.
v2 menghasilkan output berdasarkan data pelatihan. Jika data latih PVC Anda kaya akan bahasa Inggris dan angka, v2 akan mengikuti dengan natural. Namun, untuk pola yang tidak ada dalam data latih, bahkan angka pun bisa diucapkan dengan janggal.
v3 kurang bergantung pada data latih dan mampu memproses pola baru dengan natural. "$22" diucapkan dengan benar sebagai "dua puluh dua dolar", dan "300ms" menjadi "tiga ratus milidetik" tanpa masalah.
📌 Temuan 4 (Kelemahan baru v3): Konsistensi pelafalan asing.
v3 terkadang mengubah pelafalan kata Inggris di tengah kalimat, berpindah-pindah antara aksen Inggris, Amerika, hingga gaya Indonesia. Penekanan pada kata "ElevenLabs" bisa berubah, atau pelafalan "Creator" mendadak berubah di tengah jalan. Ini menambah beban pasca-produksi.
v2 mempertahankan pola pelafalan yang dipelajari, sehingga lebih konsisten. Namun, jika data latih minim bahasa Inggris, hasilnya bisa terdengar seperti bahasa Indonesia yang dipaksakan.
Singkatnya:
Kondisi eksperimen ini (Mike, suara resmi Library): v2 mampu mengikuti bahasa Inggris/angka sampai tingkat tertentu, meski tidak semulus v3.
Jika menggunakan PVC sendiri + data latih kaya bahasa asing/angka: v2 lebih unggul karena konsistensi dan alur yang natural (berdasarkan pengalaman saya).
Jika menggunakan PVC sendiri + data latih minim bahasa asing/angka: v2 akan kesulitan bahkan pada angka. v3 lebih aman.
Jika butuh pelafalan asing yang konsisten dalam satu video: v2 (lebih hemat waktu editing).
Kekayaan data latih PVC adalah variabel kunci untuk kesuksesan v2. Karena Mike adalah suara resmi dengan data melimpah, hasilnya mungkin lebih baik daripada PVC buatan pengguna awam.
🎭 Segmen 4 — Tag Efek Suara ([Tawa], [Desah], dll.)
Tag efek suara dan ekspresi pada v3 paling terasa perbedaannya saat Anda mencobanya sendiri. Cukup masukkan kalimat dan tambahkan tag seperti [tawa] atau [desah] ke ElevenLabs Text to Speech, dan Anda akan melihat v3 mereproduksi hasil eksperimen ini dalam hitungan detik.
🎙️ Coba tag v3 di Text to Speech →Salah satu fitur baru v3 adalah pemrosesan tag efek suara. Kami juga membandingkan bagaimana v2 menangani teks yang sama.
v2
v3
📌 Temuan 5: v2 mengabaikan tag atau membacanya sebagai teks.
Teks "[tawa]" pada v2 dibaca literal sebagai kata "tawa". Model v2 tidak mengenali konsep tag efek suara.
v3 mengonversi tag menjadi efek suara nyata. "[Tawa]" diubah menjadi suara tawa, dan "[desah]" menjadi suara napas. Sekali lagi, v3 menang telak di sini.
📊 Ringkasan Keunggulan per Aspek
Aspek | v2 | v3 | Unggul |
|---|---|---|---|
Naturalitas nada kasual | Baik | Sangat Baik | v3 |
Konsistensi suara (per paragraf) | Sangat Stabil | Berubah-ubah | v2 |
Konsistensi pelafalan asing | Stabil | Bervariasi | v2 |
Dinamika ekspresi emosional | Datar | Kaya | v3 |
Angka/Simbol (PVC terdata) | Natural | Natural | Sama |
Angka/Simbol (tanpa data) | Lemah | Baik | v3 |
Istilah asing/nama diri | Tergantung data | Fleksibel | v3 |
Tag efek suara ([tawa] dll) | Diabaikan | Diproses | v3 |
Kesimpulannya, 'keduanya penting' — cukup pakai paket Creator
Karena v2 dan v3 punya kelebihan masing-masing, paket Creator seharga $11 (diskon 50%) adalah pilihan paling rasional.
Mulai pakai v2 & v3 dengan Diskon 50% →
🎯 Rekomendasi model berdasarkan skenario penggunaan
① Konten seri · Dubbing karakter · Buku audio — v2
Konsistensi suara adalah kunci untuk konten panjang. v3 memiliki kecenderungan reseed setiap baris baru. Untuk area ini, v2 adalah pilihan yang tepat.
② Iklan pendek · Dubbing emosional — v3
Jangkauan dinamis v3 tidak tertandingi oleh v2. Untuk konten pendek yang intens, v3 adalah juara.
③ API · TTS materi bahasa asing · Laporan penuh angka — v3
Mampu menangani pola baru dengan natural tanpa tergantung data latih. Jika konsistensi pelafalan asing krusial, gunakan pasca-pemrosesan.
💡 Cara praktis menggunakan v3 untuk laporan/materi bahasa asing ada di sini → Cara membacakan dokumen asing/laporan dengan ElevenReader v3
④ Konten dengan efek suara — v3
Untuk penggunaan tag [tawa], [desah], [bisik], v3 adalah satu-satunya pilihan.
⑤ Konsistensi konten berbasis PVC pribadi — v2
Jika Anda menggunakan PVC pribadi, biasanya data latih sudah cukup kaya. v2 akan memberikan hasil yang lebih stabil, dapat diprediksi, dan akurat dalam pelafalan.
💡 Kesimpulan dari Sonetho
Meskipun ElevenLabs memposisikan v3 sebagai model default, saat ini v3 belum bisa menggantikan v2 di segala sektor.
Masalah konsistensi suara pada v3 tampak sebagai karakteristik "paragraph-level reseed". Ini adalah area yang patut dipantau perkembangannya ke depan.
Rekomendasi saat ini:
Jika konsistensi suara + pelafalan asing + PVC pribadi yang diutamakan, tetap gunakan v2.
Jika ekspresi emosional + efek suara + pengolahan pola baru yang diutamakan, gunakan v3.
Menerapkan kedua model sesuai jenis konten adalah strategi paling realistis.
👉 Cara mendapatkan diskon 50% ElevenLabs ada di Panduan Diskon ElevenLabs Mei 2026.
👉 Atau langsung mulai melalui Link aplikasi diskon 50% otomatis (pengguna baru).
📚 Rekomendasi bacaan lain
Pengalaman 2 tahun: Mengapa Anda rugi jika tidak memakai model ini untuk bahasa Indonesia
ElevenLabs Scribe v2 — Pemisahan pembicara dan tag efek suara
Sampai jumpa di artikel berikutnya. Sonetho. ⚡
📚 Baca juga
Harga API ElevenLabs turun hingga 55%! Panduan sistem pembayaran pay-as-you-go