Fish Audio Drama 3 hält jetzt beide Sprach-Arenen gleichzeitig – und keine der beiden Zahlen ist die, die du letzte Woche gesehen hast.

Die Rangliste führt zwei Einträge für ein Produkt. Fish Audio Drama 3 steht mit einem Elo von 1,278 auf Platz sechs der Artificial Analysis Provider Voice Arena und mit 1,085 auf Platz zwölf der Controlled Voice Arena, und auf beiden Ranglisten ist es das am höchsten platzierte Open-Weights-Modell in der Tabelle. Der Eintrag mit der Bezeichnung Fish Audio Drama 3 Preview — der in der Presse aufgegriffen wurde, als Fish Audio ihn am 2026-10-13 veröffentlichte — ist weiterhin separat aufgeführt, mit 1,240 und 1,063. Das ist eine Abweichung von 38 Punkten auf der einen Rangliste und von 22 auf der anderen, für das, was die eigene Produktseite des Anbieters als ein einzelnes Modell unter zwei Namen bezeichnet. Wenn Sie in den letzten zwei Wochen einen Drama-3-Elo zitiert haben, sagt Ihnen dieser Beitrag, welchen der beiden Sie zitiert haben.

Was die Foren heute tatsächlich sagen

Beide Werte wurden am 2026-10-29 von Artificial Analysis abgelesen, und bei beiden gilt derselbe im Board erfasste Preis von 15,00 $ pro Million Zeichen, sodass die 38-Punkte-Differenz keine Preisänderung ist – es handelt sich um zwei Bewertungen zweier archivierter Stände desselben Modells. Die Provider-Voice-Rangliste oberhalb von Drama 3 besteht ausschließlich aus geschlossenen Systemen: Eleven v4 Turbo mit 1.336 und 40,00 $, Eleven v4 mit 1.334 und 80,00 $, Qwen-Audio-3.1-TTS-Plus mit 1.305 und 19,30 $, Cartesia Sonic 3.6 mit 1.296 und 49,00 $ sowie Google Gemini 3.8 Flash TTS mit 1.283 und 16,50 $. Jeder einzelne davon kostet pro Million Zeichen mehr als der Fish-Audio-Eintrag, der unmittelbar darunter rangiert.

Das Controlled-Voice-Board ist der Punkt, an dem sich die beiden „Drama 3“-Einträge in der Rangliste am deutlichsten unterscheiden, und an dem sich die Open-Weights-Behauptung am einfachsten überprüfen lässt, weil dort alle Modelle anhand derselben festen Referenzstimmen bewertet werden und nicht anhand des eigenen Katalogs jedes Anbieters. Vollständige Spannweite für die Open-Weights-Einträge mit Stand heute:

Anbieter-Stimme — Fish Audio Drama 3 1.278 (#6); Fish Audio Drama 3 Preview 1.240 (#12); Breeze TTS 2 1.228 (#13); Voxtral 3 TTS 1.223 (#15).

• Kontrollierte Stimme — Fish Audio Drama 3 1.085 (#12); Ming-3.0-tts 1.068 (#17); Fish Audio Drama 3 Preview 1.063 (#20); Breeze TTS 2 1.021 (#28).

• Die entscheidende Lücke — bei kontrollierten Stimmen liegt Drama 3 weiterhin hinter Eleven v4 (1.156, #4) und Inworld Realtime TTS-2 (1.146, #7), während Google Gemini 3.8 Flash TTS (1.053, #24) darunter liegt; doch die geschlossenen Systeme an der Spitze dieser Rangliste sind nicht vier Punkte entfernt, sondern siebzig Punkte. HeyGen Voice führt sie mit 1.193 an.

Daraus folgen zwei Dinge. Erstens: „Erster unter den offenen Gewichten“ gilt heute auf beiden Arenen, und auf keiner davon ist es ein Gleichstand. Zweitens: Der Vorsprung auf dem kontrollierten Board – 17 Elo gegenüber Ming-3.0-tts bei einem Fünftel der Parameteranzahl – liegt in dem Bereich, in dem ein paar tausend Stimmen die Reihenfolge verändern können; behandle ihn daher als Vorsprung und nicht als sichere Führung.

Die Aussprachewertung ist ein geteilter erster Platz, kein eindeutiger erster Platz.

Fish Audios Ankündigung nennt 93,2 % im English Pronunciation Robustness-Benchmark von Artificial Analysis, gegenüber 88,1 % für das bisherige S2.1 Pro, und beschreibt dies als den Spitzenwert in der Bestenliste. Das war korrekt, als der Wert am 20.10.2026 einging, mit einer Einschränkung, die der Marketingtext auslässt: Ant Groups Ming-3.0-tts erreichte dieselben 93,2 %, sodass die Bestenliste unter 31 bewerteten Modellen einen Gleichstand auf Platz eins statt eines alleinigen Spitzenreiters zeigt. Eleven v4 liegt bei 91,7 % und Eleven v4 Turbo bei 90,1 %.

Der Gesamtwert verbirgt einen echten Kompromiss. Die Stärke von Drama 3 sind Eigennamen und kontextabhängige Wörter – 95,9 % bei Einzelbegriffen wie Marken, Orten und technischen Bezeichnungen und 95,3 % bei Wörtern, deren Lesart vom Satz abhängt. Ihre Schwäche ist alles, was Zeichen für Zeichen wiedergegeben werden muss: 86,3 % bei Codes, Pfaden und E-Mail-Adressen, wobei Ming 90,6 % erreicht. Die einzige Kategorie, in der Drama 3 klar verliert, ist das Ausweiten von Kurzformen – Zahlen, Datumsangaben und Einheiten – mit 93,6 % gegenüber 94,1 % bei Eleven v4. Wenn Ihre Pipeline Bestellnummern, Teilenummern oder Tracking-Strings laut vorliest, ist die plakative 93,2 % die falsche Zahl als Planungsgrundlage; die 86,3 % ist die richtige.

Was wurde am 2026-10-13 ausgeliefert, und was ändert sich in sechzehn Tagen?

Nichts davon ist ein Launch, und es sollte auch nicht als einer berichtet werden. Fish Audio hat das Modell am 2026-10-13 in seine Web-App, seine iOS- und Android-Apps sowie seine API aufgenommen, mit der API-Modell-ID „drama-3“. Neu in den letzten zwei Wochen ist die unabhängige Bewertung des Retail-Modells, nicht die Existenz des Modells. Die praktischen Folgen dieser Unterscheidung sind es wert, ausdrücklich benannt zu werden, denn die frühere Berichterstattung über dieses Modell – auch in diesem Blog – wurde auf Grundlage der Preview-Daten verfasst.

Die Architektur hat sich zwischen den beiden Datensätzen nicht verändert: ein Mixture-of-Experts-Modell mit 35 Milliarden Parametern, initialisiert aus Qwen3.5-35B-A3B, mit rund 3 Milliarden aktiven Parametern pro Token und 8 von 256 gerouteten Experten plus einem gemeinsam genutzten Experten, die aktiv sind. Vierzig Schichten, angeordnet in sich wiederholenden Blöcken aus drei Gated-DeltaNet-Schichten und einer gated Full-Attention-Schicht, sodass nur jede vierte Schicht einen KV-Cache behält. Der Decoder ist ein Codebook-MTP-Design – vier gemeinsam genutzte Schichten, die neun Schichten in voller Breite speisen, eine pro akustischem Codebook – und nur die Codebooks 0 und 1 werden in das Backbone zurückgespeist. Der Tokenizer ist dasselbe Descript Audio Codec Setup, das S2 verwendete: 44,1 kHz, zehn Codebooks, etwa 21,5 Frames pro Sekunde, vollständig kausal. Eine kleine Unstimmigkeit ist erwähnenswert, weil sie jeden verwirren wird, der die beiden Quellen vergleicht: Fish Audios Ankündigung nennt 35 Milliarden Parameter, und die Hugging-Face-Modellkarte gibt eine Modellgröße von 36B an. Der Unterschied ist wahrscheinlich eine Rundungs- oder Embedding-Zählkonvention und kein anderer Checkpoint, aber die beiden Zahlen sind das, was man an der jeweiligen Stelle findet.

Der Durchsatz auf einer einzelnen H200 liegt laut Herstellerangabe bei 271 Frames pro Sekunde gegenüber 177 bei S2 – genau das, was ein 35B-MoE mit einem aktiven 3B-Pfad angeblich bringt. Das Serving erfolgt über SGLang-Omni. Die Gewichte sind auf Hugging Face als fishaudio/drama-3 verfügbar – rund 40 GB verteilt auf eine Reihe von safetensors-Shards plus eine separate Codec-Datei – und die FP8-Inferenz benötigt etwa 48 GB VRAM, wobei weder ein CPU- noch ein ROCm-Pfad dokumentiert ist. Diese letzte Einschränkung entscheidet die meisten Self-Hosting-Fragen, und sie ist Gegenstand des Breeze-TTS-2-Vergleichs und nicht dieses Vergleichs.

Drei Preise – und die Karte ist nicht die, gegen die du planen solltest.

Hier muss die Quelle ausdrücklich angegeben werden, denn es sind drei Zahlen im Umlauf, und zwei davon sind nicht das, was sie zu sein scheinen. Artificial Analysis verzeichnet $15.00 pro Million Zeichen für beide Drama-3-Einträge. Auf der eigenen Ankündigungsseite von Fish Audio wird ein Listenpreis von $50.00 pro Million Zeichen genannt, mit einem Einführungspreis von $10.00, 80 % Rabatt, bis zum 2026-11-12. Und die Entwicklerdokumentation von Fish Audio rechnet in einer völlig anderen dritten Einheit ab: pro Million UTF-8-Bytes, mit drama-3 zu $50.00, s2.1-pro zu $15.00 und dem Einführungspreis von $10.00 bis zum 2026-11-12 09:00 PT. Englisch liegt nahe bei einem Byte pro Zeichen, sodass die Byte- und Zeichenangaben für englischen Text ungefähr austauschbar sind und bei Schriftsystemen, bei denen eine Glyphe mehr als ein Byte kostet, stark voneinander abweichen.

Die 15,00 $ auf der Rangliste verdienen einen zweiten Blick statt eines Schulterzuckens, denn sie entsprechen genau dem Listenpreis von s2.1-pro, dem vorherigen Modell von Fish Audio, und nicht dem Tarif des Modells, das bewertet wird. Entweder hat die Rangliste einen gemischten oder übernommenen Wert erfasst, oder sie hat das Modell mit einem Tarif bepreist, den Fish Audio dafür nicht veröffentlicht. Die Zahl, mit der man kalkulieren sollte, ist die in Fish Audios eigener Preistabelle: 50,00 $ pro Million UTF-8-Bytes zum Listenpreis, was die Dokumentation des Anbieters mit etwa 180.000 englischen Wörtern oder ungefähr zwölf Stunden Sprache gleichsetzt – nennen wir es 4,17 $ pro fertiggestellter Audiostunde. Ein Einführungsrabatt, der in zwei Wochen ausläuft, ist keine Preisliste; bei 10,00 $ kosten dieselben zwölf Stunden etwa 0,83 $.

Lizenz: offene Gewichte, nicht Open Source, und eine Klausel, die viel entscheidet

Die Gewichte werden unter der Fish Audio Community License v1.0 veröffentlicht. Forschung und nichtkommerzielle Nutzung sind kostenlos. Die kommerzielle Nutzung ist kostenlos, wenn Sie und Ihre verbundenen Unternehmen unter 500.000 US-Dollar Jahresumsatz bleiben; darüber hinaus oder wenn Sie Drama 3 als Text-to-Speech-, Voice-Cloning- oder Inferenzdienst anbieten möchten, benötigen Sie eine separate Lizenz von Fish Audio. Die Lizenz verbietet außerdem das Klonen der Stimme einer realen Person ohne Einwilligung, und die FAQ von Fish Audio behandelt „die Erstellung fertiger Audioinhalte für Kunden“ als zulässig, was die Klausel ist, die für Agenturen und Postproduktionshäuser relevant ist. S2 bleibt unter der strengeren Research License, sodass die beiden Generationen in einer kommerziellen Bereitstellung nicht austauschbar sind.

Artificial Analysis führt das Modell als offene Gewichte ohne vollständige kommerzielle Nutzungsrechte. Das ist die ehrliche Beschreibung: Man kann es herunterladen und ausführen, aber man kann nicht unbedingt Zugang dazu verkaufen. Wer ein gehostetes Produkt auf Basis dieser Gewichte plant, sollte die Serviceklausel lesen, bevor er die Abrechnungsseite baut – nicht danach.

Was das für eine Produktionspipeline bedeutet

Der Grund, warum das Zwei-Arena-Ergebnis einen Beitrag und keine Fußnote verdient, ist, dass es ändert, was ein Team annehmen kann. Vor sechzehn Tagen lautete die vertretbare Aussage, dass ein Modell mit offenen Gewichten in die Top zehn einer Präferenz-Rangliste eingezogen sei und auf seiner eigenen Evaluierung einen Aussprache-Vorsprung beansprucht habe. Heute ist das unabhängige Urteil enger und stärker: Es ist das beste Modell mit offenen Gewichten in beiden Arenen, es ist bei der Aussprache geteilter Erster statt uneingeschränkter Erster, und es erreicht das zu einem mittleren Tarif mit Gewichten, die jeder herunterladen kann.

Drama 3 ist keines der Modelle auf OrcaRouter. Es wird über die eigene API von Fish Audio und mehrere Drittanbieter-Plattformen erreicht, und ein Beitrag, der etwas anderes vorgäbe, würde Sie über genau das belügen, wofür dieser Blog gedacht ist. Was wir tun, ist die andere Hälfte des Problems: ~200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover, die Routing-DSL und Modellfusion sind der Weg, auf dem eine Pipeline, die bereits andere Anbieter aufruft, ein Modell wie dieses ohne zweiten Vertrag und zweites SDK aufnimmt. Wenn Drama 3 zur Erzählstimme in einer Render-Warteschlange wird und die Warteschlange eine Deadline hat, liegt der Wert des Routings von allem anderen über einen einzigen Endpunkt darin, dass bereits ein Retry-Pfad existiert.

Worauf man in den nächsten zwei Wochen achten sollte – geordnet danach, wie stark es das Bild verändern würde: ob sich die 22-Punkte-Lücke zwischen den beiden Drama-3-Einträgen schließt oder vergrößert, während mehr Stimmen beim Retail-Eintrag eingehen; ob Ming-3.0-tts bei der Aussprache vorzieht, sobald sein Eigennamen-Wert auf Platz 21 mit einer größeren Span-Anzahl neu gemessen wird; und ob jemand außerhalb von Fish Audio die Zahl von 271 Bildern pro Sekunde auf Hardware reproduziert, die keine H200 ist. Die Arena-Zahlen sind gesichert genug, um sie zu zitieren. Der Durchsatzwert ist weiterhin eine Herstellerangabe, und die Lizenz ist nach wie vor das, was am wahrscheinlichsten darüber entscheidet, ob ein Team das überhaupt nutzen kann.