AssemblyAI-TTS-1 vs. Fish Audio Drama 3: Ein Checkout-Button gegen einen 41,5-GB-Download

Das Erste, was man über AssemblyAI-TTS-1 im Vergleich zu Fish Audio Drama 3 verstehen muss, ist, dass eines davon eine Datei ist. Drama 3, veröffentlicht am 13. Oktober 2026, ist ein Mixture-of-Experts-Sprachmodell mit 35 Milliarden Parametern, das auf Hugging Face als fishaudio/drama-3 veröffentlicht wurde – rund 41,5 GB Gewichte, bevor ein Codec hinzukommt, und etwa 48 GB VRAM, um es in FP8 bereitzustellen. AssemblyAI-TTS-1, allgemein verfügbar seit 27. Oktober 2026 für 15 US-Dollar pro Million Zeichen, ist ein HTTPS-Endpunkt in US-East oder EU-North, der in weniger als einer Zehntelsekunde antwortet und von Ihnen nichts außer Text verlangt. Jeder Vergleich zwischen ihnen, der mit Elo-Werten beginnt, setzt am falschen Punkt an, weil die beiden Produkte durch eine operative Entscheidung getrennt werden, bevor sie durch eine Qualitätsentscheidung getrennt werden.

Was man für 15 $ bekommt und was man für 41,5 Gigabyte bekommt

Die AssemblyAI-TTS-1-Seite lässt sich kurz beschreiben. Pauschal 15 US-Dollar pro Million Eingabezeichen für alle mehr als 4.000 Stimmen der Bibliothek, sofortiges Klonen anhand eines 24-Sekunden-Samples, Wort-Zeitstempel, sechs Sprachen zum Marktstart (Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch), Verarbeitung in den USA oder der EU, WebSocket- und HTTP-Endpunkte sowie eine OpenAI-kompatible Route, eine Abbruchmeldung für Barge-in und unbegrenzte Parallelität ohne zusätzliche Gebühren. Kein SSML, kein Geschwindigkeitsparameter, kein Aussprachewörterbuch, keine Emotions-Tags, keine professionelle Klon-Stufe.

Die Drama-3-Seite ist ein völlig anders geartetes Produkt. Sie ist ein 35B-MoE mit etwa 3 Milliarden pro Token aktiven Parametern, initialisiert aus Qwen3.5-35B-A3B, 40 Schichten, 8 von 256 gerouteten Experten plus einem geteilten – weshalb sie ausdrucksstark klingen und trotzdem auf einen einzelnen Beschleuniger passen kann. Sie deckt 83 Sprachen ab, klont Stimmen, verarbeitet bis zu 16 Sprecher in einem Durchgang und akzeptiert in eckigen Klammern gesetzte natürlichsprachliche Regieanweisungen wie [sighs], die das Modell umsetzt. Laut Fish’ eigener Modellkarte ist sie zudem für inszenierte Darbietungen ausgelegt: Synchronisation, Erzählung, Szenen mit mehreren Figuren. Der Telefon-Loop unter 100 ms ist nicht das, worauf sie abgestimmt wurde.

Diese Unterscheidung ist keine Herabsetzung für eines von beiden. Sie ist der Grund, warum dieser Vergleich überhaupt existiert: Drama 3 ist das einzige Modell in dieser Serie, das man vollständig besitzen kann, und AssemblyAI-TTS-1 ist das einzige in dieser Serie, das man heute Nachmittag einem Anrufer vorsetzen kann, ohne eine GPU zu kaufen.

Die Mathematik der Nebenläufigkeit ist das eigentliche Argument.

Beide Anbieter veröffentlichen eine Latenzzahl, und keine davon ist direkt vergleichbar, daher sollten Sie das Folgende als zwei getrennte Aussagen und nicht als direkten Vergleich behandeln.

• Drama 3, Hersteller-Modellkarte — 88,9 ms mediane Zeit bis zum ersten Audio bei einem einzelnen Stream auf einer H200, Echtzeitfaktor 0,131, 271 Frames pro Sekunde. Serving-Unterstützung wurde innerhalb weniger Tage nach der Veröffentlichung verfügbar, und dieselbe Hardware erreicht 255 ms mediane Zeit bis zum ersten Audio bei 128 gleichzeitigen Streams oder etwa 222 Sekunden Audio pro Wanduhrsekunde.

• AssemblyAI-TTS-1, Herstellerlabor — 47 ms mediane Zeit bis zum ersten Byte; unabhängig von Cekura gemessen: 159 ms medianer Streaming-Start und 296 ms bei p90, bei einer Durchsatzrate von 162 Zeichen pro Sekunde in der Messung von Artificial Analysis.

Schauen Sie sich an, was mit dem Drama-3-Wert passiert, wenn die Last steigt: 88,9 ms allein, 255 ms bei 128 Streams. Das ist eine durchaus gute Kurve für eine Dubbing-Pipeline und eine grenzwertige für ein Callcenter, in dem jede Millisekunde, bevor der Anrufer etwas hört, eine Millisekunde Stille ist. AssemblyAIs Gegenbehauptung ist keine schnellere Zahl, sondern das Fehlen einer Kurve – unbegrenzte Parallelität zu einem einheitlichen Preis, weil das Scheduling-Problem beim Anbieter liegt und Sie es nie zu sehen bekommen. Ob dieses Versprechen Ihren eigenen Traffic übersteht, ist genau das, was getestet werden muss, denn eine Behauptung unbegrenzter Parallelität ohne veröffentlichtes Warteschlangenverhalten ist eine Aussage über den Cluster von jemand anderem.

Zwei Rechnungen, die nicht in derselben Einheit sind

Fish listet Drama 3 mit 50,00 US-Dollar pro Million UTF-8-Bytes, was laut der eigenen Dokumentation des Anbieters etwa zwölf Stunden Sprache entspricht – ungefähr 4,17 US-Dollar pro Stunde Audio. Es gibt eine Einführungsaktion für 10,00 US-Dollar pro Million Bytes, etwa 0,83 US-Dollar pro Stunde, die bis zum 12. November 2026 läuft. AssemblyAI-TTS-1 mit 15 US-Dollar pro Million Zeichen ergibt grob 0,81 US-Dollar pro Stunde Sprache, unter derselben großzügigen Annahme von etwa 900 Zeichen pro Minute gewöhnlichen Gesprächsaudios.

Während der Aktion kosten die beiden praktisch gleich viel – der Unterschied liegt innerhalb eines Rundungsfehlers –, und zum Listenpreis ist Fish pro Stunde Ausgabe etwa fünfmal teurer, und das noch bevor man den H200 kauft. Self-Hosting beseitigt die Kosten nicht, es verwandelt eine Rechnung pro Zeichen in eine Rechnung pro GPU-Stunde plus eine Person, die weiß, wie man es serviert.

Zwei Fallen lohnt es, benannt zu werden, weil man leicht in sie gerät.

• Zeichen sind nicht Bytes. Fish rechnet nach UTF-8-Bytes ab, AssemblyAI nach Zeichen. Englischer Text liegt nahe bei einem Byte pro Zeichen, daher wirken die beiden vergleichbar; japanische, arabische oder emoji-lastige Schriften blähen die Byte-Zahl auf und erhöhen beim selben Skript still und leise die Rechnung für Drama 3 um 30–100 %.

• Ein fehlender Model-Header schlägt nicht laut fehl. Fishs eigene Dokumentation weist darauf hin: Eine fehlende oder falsch geschriebene Modellkennung fällt auf s2.1-pro zu 15,00 $ pro Million Bytes zurück — ein Aufschlag von 50 % gegenüber dem Aktionspreis für Drama 3, für ein anderes Modell, ohne Fehler in der Antwort.

Es gibt eine dritte Zahl im Umlauf, und es lohnt sich, sie zu benennen, weil man ihr auf einem Leaderboard begegnen wird. Die Preisspalte von Artificial Analysis führt Drama 3 mit 15,0 $ pro Million Zeichen auf, was sich weder mit Fishs 50 $ pro Million Bytes noch mit den beworbenen 10 $ in Einklang bringen lässt. Drei Zahlen – Listenpreis, Sonderangebot, Board-Normalisierung – und nur die ersten beiden stammen vom Anbieter. Die Zahl des Boards ist eine Vergleichseinheit, keine Preisangabe.

Die Lizenzsperre am Ende des Beitrags

Drama 3 ist nicht Open Source im Sinne, den die meisten Teams annehmen. Es wird unter der Fish Audio Community License v1.0 veröffentlicht: Die kommerzielle Nutzung ist unter 500.000 US-Dollar Jahresumsatz kostenlos, darüber gilt eine separate Lizenz, und der Weiterverkauf des Modells als gehostete TTS-API erfordert unabhängig von der Größe eine eigene Vereinbarung. Artificial Analysis führt es als offene Gewichte ohne vollständige kommerzielle Nutzungsrechte, was die zutreffende Beschreibung ist.

{{1}}AssemblyAI-TTS-1{{/1}} hat keine solche Hürde, denn es hat keine Gewichte – man kann es nicht selbst hosten, nicht feinabstimmen und nicht weiter betreiben, wenn der Anbieter seine Preise ändert. Das ist der Kompromiss, den niemand in eine Vergleichstabelle aufnimmt: Die Lizenz von {{2}}Drama 3{{/2}} begrenzt, was man mit dem Modell tun kann, und die Architektur von {{3}}AssemblyAI-TTS-1{{/3}} begrenzt, was man ohne den Anbieter tun kann.

Die Qualitätslücke, einmal ausgesprochen

In der Provider Voice Arena von Artificial Analysis – Stand: 30. Oktober 2026, also derselbe Durchlauf für beide – belegt Drama 3 mit 1.278 Elo den sechsten Platz und AssemblyAI-TTS-1 mit 1.227 Elo den vierzehnten. In der Controlled Voice Arena liegt Drama 3 mit 1.085 auf dem zwölften Platz und AssemblyAI-TTS-1 mit 1.110 auf dem zehnten, wodurch sich die Reihenfolge umkehrt und deutlich wird, dass die beiden Boards unterschiedliche Dinge messen: im ersten Standardstimmen, im zweiten Cloning-Treue gegenüber einer festen Referenz. Bei natürlicher Stimme ist Drama 3 der stärkere der beiden in der Rangliste, und sobald die Referenzaufnahme konstant gehalten wird, liegen die beiden innerhalb des Rauschens.

Die Zahl, die sie am deutlichsten voneinander trennt, ist die Ausspracherobustheit; hier führt Drama 3 die Rangliste klar an – Quellen nennen den Wert je nach Zeitpunkt des Seitenaufrufs zwischen etwa 93 % und 95 %, behandeln Sie das Ranking also als Tatsache und die Nachkommastelle als Dekoration. AssemblyAI-TTS-1 erzielt 81,7 % auf demselben Instrument und liegt damit auf Platz sechzehn, wobei seine schwächste Unterpunktzahl beim Auflösen von Abkürzungen bei 73,8 % liegt. Wenn Ihre Eingabe voller Abkürzungen ist, verarbeitet Drama 3 sie ohne Wörterbuch. Wenn Ihre Eingabe eine laut vorgelesene Telefonnummer ist, setzt Cekuras unabhängiger Test AssemblyAI-TTS-1 in genau dieser Kategorie mit 91,7 % an die Spitze seines Feldes.

Die eigenen Benchmarks keines der beiden Anbieter sollten als unabhängig aufgefasst werden. AssemblyAIs 99,0 % Wortgenauigkeit, vorhergesagter MOS von 3,85 und TTSDS-Wert von 85,5 stammen aus seiner eigenen Testumgebung auf seinen eigenen Hold-out-Sets; Fishs 88,9 ms und 271 Frames pro Sekunde stammen aus seiner eigenen Model Card. Die Messungen durch Dritte – Artificial Analysis, Cekura, Coval – sind die einzigen in diesem Artikel, die von jemandem stammen, der kein Produkt zu verkaufen hat.

Wähle danach, was du bedienen kannst, nicht danach, was höher eingestuft ist.

Es gibt genau drei Situationen, in denen Drama 3 die richtige Antwort ist. Sie brauchen eine ausdrucksstarke, regiegeführte Darbietung mit Bühnenanweisungen und mehreren Sprechen in einem Durchgang — keine Diskussion, AssemblyAI-TTS-1 hat kein Äquivalent. Sie brauchen eine Sprache außerhalb der sechs, mit denen AssemblyAI an den Start ging — 83 gegenüber 6, und der Vergleich endet dort. Oder Sie brauchen das Modell auf Ihrer eigenen Hardware aus Gründen der Datenresidenz, die eine Anbieterregion in den USA oder der EU nicht erfüllt — was für manche regulierte Workloads eine echte Anforderung ist und die einzige, die die GPU rechtfertigt.

Alle anderen kaufen einen Telefonagenten, und ein Telefonagent will eine pauschale Rechnung, keine Warteschlange hinter dem H200 von jemand anderem und ein Ausspracheproblem, das er selbst lösen kann. AssemblyAI-TTS-1 liefert die ersten beiden und noch nicht die dritte. Das ist der ehrliche Stand der Dinge: Drama 3 ist das bessere Modell und das schlechtere Produkt für diese Aufgabe.

Der praktische Kompromiss, für den sich die meisten Teams entscheiden werden, ist beides – Drama 3 für das generierte Audio, das Sie als Content ausliefern, AssemblyAI-TTS-1 für die Turn-by-Turn-Sprachausgabe in der Live-Schleife, mit einem Fallback-Pfad zwischen beiden. Einen zweiten TTS-Anbieter angebunden zu halten, ist dieselbe Disziplin, die OrcaRouter auf die Sprachmodell-Hälfte dieses Stacks anwendet: eine API für über 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, automatisches Failover, wenn die Leistung eines Anbieters nachlässt, und eine Routing-DSL, mit der ein Endpunkt mehrere Modelle bedienen kann statt mehrerer Verträge. Keines dieser beiden Sprachmodelle steht heute im OrcaRouter-Katalog – die Sprach-Routen, die wir führen, sind die tts-1-Familie von OpenAI und die Gemini-TTS-Previews von Google –; lesen Sie das daher als Form des Arguments und nicht als Hinweis darauf, dass Sie Drama 3 hier kaufen können.

Was dieses Urteil ändern würde: dass Fish eine Parallelitätskurve veröffentlicht, die bei Callcenter-Volumen unter 150 ms bleibt, oder dass AssemblyAI ein Aussprachewörterbuch und vier weitere Sprachen hinzufügt. Achten Sie zuerst auf das zweite. Es ist eine Konfigurationsänderung, und das Unternehmen, das eine pauschale 15-Dollar-Preisliste eingeführt hat, hat bereits gezeigt, dass es lieber über die Rechnung konkurriert.