CLOVA Dubbing vs ElevenLabs: testei o mesmo roteiro com 9 vozes e foi isto que ouvi

Olá, aqui é a Sonetho. ⚡

"Para uma narração no YouTube, o CLOVA Dubbing não basta?"
É uma pergunta que recebo bastante.
Por isso comparei eu mesmo.
Peguei nos mesmos 4 roteiros em coreano e gerei com 5 vozes do CLOVA Voice e 4 do ElevenLabs, 9 vozes no total, e ouvi todas as 36 amostras.

🧪 Como fiz a comparação

O roteiro tem 4 partes.
Atuação emocional (uma fala que passa da alegria por ser aprovado ao remorso), leitura em estilo de telejornal, mistura de inglês e números (como ChatGPT ou $22) e consistência em textos longos.
Do lado da CLOVA, gerei 1 voz padrão e 4 Pro com a API do CLOVA Voice.
A documentação oficial da NAVER Cloud indica que o CLOVA Dubbing usa justamente este motor do CLOVA Voice, então a comparação de qualidade é válida.
Do lado do ElevenLabs, gerei 2 vozes populares na comunidade coreana com os dois modelos, v2 e v3.

Em cada parte abaixo deixei amostras reais. Ouça e julgue por conta própria.
Todas são originais geradas para este teste e são trechos com fins de comparação.

🎧 O que ouvi ao escutar

Deixa eu detalhar os resultados.

Na expressão emocional não houve comparação possível.
O CLOVA Voice, tanto no Pro quanto no padrão, trata as falas emotivas como se estivesse lendo notícias.
Para começar, o CLOVA Dubbing não tem nenhuma função para indicar emoções. Só velocidade, tom e efeitos especiais.
O ElevenLabs atuou de verdade a mudança de tom entre o suspiro e a alegria, e com um PVC bem treinado (a clonagem da minha própria voz) era difícil distinguir se era uma pessoa ou uma IA.

Na mistura de inglês e números houve uma reviravolta interessante.
Quem melhor leu foi o Eleven v3. Pronunciou quase tudo com precisão, expressões como ChatGPT, Gemini ou $22.
Mas o segundo lugar não foi do ElevenLabs Multilingual v2, e sim da CLOVA.
O v2 desmorona na pronúncia quando encontra padrões que não estão nos dados de treino, e a CLOVA leu de forma mais estável do que isso.
Dentro da CLOVA também há diferenças. As vozes Pro leem as palavras em inglês claramente melhor do que a voz padrão.

A diferença de caráter entre v2 e v3 também ficou clara.
O v2 se baseia em dados aprendidos, então é estável com frases conhecidas, mas fraco diante de padrões novos.
O v3, por outro lado, lê bem até os padrões novos, mas tem o defeito de consistência de a voz oscilar de tom quando muda de parágrafo.
Tratei desta característica em mais detalhe no teste de Eleven v3 vs v2 em 4 partes em coreano.

🎙️ Ouça todas as 9 vozes

Acima, incluí apenas as vozes representativas.
Estou disponibilizando as 9 vozes criadas a partir do mesmo roteiro com carga emocional.
Mantive também as duas que você ouviu anteriormente para fins de comparação.

CLOVA Nara (Padrão)

CLOVA Ara Pro

CLOVA Donghyun Pro

CLOVA Ian Pro

CLOVA Yuna Pro

ElevenLabs Hyuk (Multilingual v2)

ElevenLabs Hyuk (v3)

ElevenLabs Selly (Multilingual v2)

ElevenLabs Selly (v3)

Mesmo dentro do CLOVA, há diferenças entre a versão Padrão e a Pro.
No entanto, entre as quatro vozes Pro, apenas o timbre muda, enquanto o método de processamento emocional é o mesmo.
No ElevenLabs, mesmo mantendo a mesma voz, as versões v2 e v3 soam como atores diferentes.

⏱️ Não medimos apenas a qualidade, mas também a velocidade

Se você extrai dezenas de clipes de um único vídeo, o tempo de geração é o seu tempo de trabalho.
Por isso, registramos o processo desde a chamada da API até o recebimento completo do áudio ao criar 36 amostras.

O dado mais confiável é a diferença entre v3 e v2.
A v3 foi, em média, 65% mais lenta que a v2 (6.877ms contra 4.180ms).
Como alternamos a chamada entre os dois modelos para cada voz, não há favorecimento por fuso horário ou condições do servidor.
Mencionei anteriormente que a v3 tem uma pronúncia melhor em inglês, e esse é o custo em tempo.
Isso significa que, para extrair 100 clipes, você levará 7 minutos com a v2 e 11 minutos com a v3.

A diferença entre as engines foi de 3,9 vezes.
A média da CLOVA é de 1.413ms, enquanto a da ElevenLabs é de 5.529ms.
Em termos de caracteres por segundo, temos 125 contra 32.
A voz padrão da CLOVA foi a mais rápida, com 918ms, e dentro da própria CLOVA, as versões Pro são mais lentas que a padrão.

Também exponho as limitações.
Medimos apenas uma vez para cada combinação e o tempo de ida e volta da rede está incluído.
Além disso, o ciclo de medição ocorreu por categoria. Como as chamadas da mesma categoria foram feitas em sequência, não é possível distinguir se a lentidão de uma categoria específica ocorreu por conta da natureza do texto ou do estado do servidor naquele momento.
Por isso, não utilizamos o ranking por categoria como conclusão.
Apenas a diferença entre engines e a diferença entre v3 e v2 são grandes o suficiente para não serem explicadas por viés, e por isso foram registradas acima.

Vale acrescentar que estes números são o resultado do método de recebimento do Multilingual v2 e v3 de uma só vez.
A ElevenLabs oferece modelos da linha Flash, focados em baixa latência, e métodos de streaming separadamente.
Para casos de conversação ou chamadas em tempo real, você deve consultar esses recursos, e não esta tabela.

💰 Preços e licença: aqui está a verdadeira encruzilhada

Se deixarmos a qualidade de lado e olharmos as condições, a diferença é ainda maior. Dados de julho de 2026.

Um aviso importante.
Usar o CLOVA Dubbing gratuito num YouTube que gera receita viola os termos.
Desde dezembro de 2023, o plano gratuito só é permitido em "canais que não geram nenhuma receita".
Aqueles posts de blog que dizem "basta indicar a fonte que até um canal com AdSense é gratuito" se baseiam numa política antiga já revogada.
E mesmo pagando o Standard (19,900 KRW), venda paga, produção por encomenda, transmissão e publicidade continuam proibidas.
Isso é o território do Premium (89,900 KRW).

🤔 Então, qual usar?

Quando o CLOVA Dubbing faz sentido
Quando você faz um canal sem monetização ou vídeos para uso pessoal.
Quando precisa de um editor que resolva tudo numa só tela, do upload do vídeo às legendas, efeitos sonoros e dublagem.
Quando lhe convêm uma interface em coreano e um app móvel.

Quando o ElevenLabs faz sentido
Quando você usa em conteúdo que gera receita. A partir de 8,000 KRW já tem direitos comerciais completos, então não precisa fazer contas de condições.
Narrações que exigem atuação emocional, audiolivros, trabalho de diálogos.
Quando quer clonar a sua própria voz (PVC) para criar conteúdo.

Se você se registrar como novo usuário no ElevenLabs pelo link abaixo, os 50% de desconto do primeiro mês do plano Creator são aplicados automaticamente.

Garanta 50% de desconto no primeiro mês do ElevenLabs →

❓ Perguntas frequentes (FAQ)

Q. Posso usar o CLOVA Dubbing gratuito num YouTube monetizado?
Não.
Desde dezembro de 2023, o plano gratuito mudou e só permite publicar em canais que não geram receita.
Se for um canal com AdSense ativado, precisa de um plano pago, e vídeos de venda ou publicidade exigem o Premium (89,900 KRW por mês) no mínimo.

Q. Qual soa mais natural, o CLOVA Dubbing ou o ElevenLabs?
Pelo que ouvi em pessoa, em expressão emocional e naturalidade geral ganhou o ElevenLabs, sobretudo o v3 e um PVC bem treinado.
Ainda assim, nas frases com inglês misturado houve uma reviravolta: a CLOVA leu de forma mais estável do que o ElevenLabs v2.

Q. Quanto custa o CLOVA Dubbing?
Gratuito (15,000 caracteres por mês), Standard por 19,900 KRW por mês e Premium por 89,900 KRW por mês.
O Standard é limitado a uso pessoal e sem fins lucrativos, então para venda ou publicidade você precisa do Premium.

Se tem curiosidade sobre a disputa a três do TTS em coreano, veja também a comparação Typecast vs Vrew vs ElevenLabs.
O duelo de reconhecimento de voz (STT) continua em CLOVA reconhecimento de voz vs Scribe, medido na prática.
Até o próximo artigo. Foi a Sonetho. ⚡