Fish Audio Drama 3 Preview führt die Open-Weights-Spracharena an

Fish Audio Drama 3 Preview ist das Modell, das Fish Audio am 13. Oktober 2026 veröffentlichte, und am folgenden Morgen hatte es den Spitzenplatz unter den Open-Weights-Systemen auf der Text-to-Speech-Bestenliste von Artificial Analysis eingenommen. Was diese Platzierung einen zweiten Blick wert macht, ist nicht die Spitze – es ist der Preis, der daran hängt. Der Eintrag trägt einen Listenpreis von 15,00 US-Dollar pro Million Zeichen, während jedes in der Nähe platzierte Modell zwei- bis fünfmal so viel kostet, und die beiden Modelle direkt darüber in der Rangliste, ElevenLabs Eleven v4 Turbo und ElevenLabs Eleven v4, sind geschlossene Systeme mit einer Preisgestaltung pro Zeichen, die sich für alle, die langformatiges Audio produzieren, in die falsche Richtung skaliert.

In der Provider Voice Arena des Leaderboards, wo die eigenen Stimmen jedes Anbieters gegeneinander antreten, liegt Fish Audio Drama 3 Preview auf Rang 10 mit einem Elo von 1.243. Das liegt hinter dem ElevenLabs-Duo bei 1.330 und 1.328, hinter Cartesia Sonic 3.6 bei 1.286, hinter Qwen-Audio-3.1-TTS-Plus bei 1.300 und Qwen-Audio-3.0-TTS-Plus bei 1.268 sowie hinter Gemini 3.8 Flash TTS bei 1.274. Es liegt vor dem zweiten Open-Weights-Eintrag, Breeze TTS 2, der bei 1.221 liegt und 34,00 $ pro Million Zeichen kostet – etwas mehr als das Doppelte des Tarifs von Drama 3 Preview. Von den 97 Modellen auf dieser Rangliste sind 17 Open-Weights, und Fish Audios neue Vorschau ist die am höchsten platzierte von ihnen.

Lies die Zahl mit den dazugehörigen Fehlerbalken. Das vom Board gemeldete Intervall für den Eintrag reicht von 1.226,8 bis 1.258,8, etwa 1.857 Blindvergleiche, über 8 Arena-Stimmen. Gegenüber Breeze TTS 2 ist der Abstand komfortabel. Gegenüber Speechify Simba 3.2 bei 1.245 und 6,60 $ ist er es nicht – das ist ein Unterschied von 2 Punkten bei überlappenden Intervallen, und niemand sollte darauf eine Kaufentscheidung stützen. Die ehrliche Zusammenfassung lautet, dass Drama 3 Preview ein Open-Weights-Modell in die Top Ten eines Boards gebracht hat, in dem es zuvor nichts zu suchen hatte, und das zu einem Preis im Mittelfeld.

Was das Modell tatsächlich ist

Fish Audio beschreibt Drama 3 Preview als ein Mixture-of-Experts-Modell mit 35 Milliarden Parametern, von denen pro Token etwa 3 Milliarden Parameter aktiv sind. Es verwendet einen hybriden Attention-Stack – Gated DeltaNet kombiniert mit gated full attention – gepaart mit einem Codebook-MTP-Decoder und einem DAC-basierten Tokenizer, der mit 44,1 kHz läuft. Die partielle Codebook-Fusion speist nur die ersten beiden Codebooks zurück in die Schleife. Das Training durchlief drei Pre-Training-Phasen, dann Instruction-Fine-Tuning und anschließend Reinforcement Learning gegen ein einzelnes Belohnungsmodell für menschliche Präferenzen, ohne regelbasiertes Reward-Shaping.

Die damit einhergehende Durchsatzangabe ist der Punkt, der Praktiker am meisten interessieren dürfte: Fish Audio meldet 271 Frames pro Sekunde auf einer einzelnen H200, gegenüber 177 für das S2-Modell, das sie ablöst, obwohl es deutlich mehr Parameter mitbringt. Dies ist eine Herstellerangabe, kein verifizierter Benchmark, und sie wird sich mit Batch-Größe und Sequenzlänge verändern – aber die Richtung passt zu einer Sparse-Architektur, die tut, was Sparse-Architekturen tun sollen.

Die API-Oberfläche ist gegenüber dem S2.1 Pro-Endpunkt unverändert. Anfragen gehen an POST https://api.fish.audio/v1/tts, und eine Anfrage, die das Feld model weglässt oder ein Modell nennt, das der Dienst nicht erkennt, greift auf s2.1-pro zurück, statt einen Fehler zurückzugeben. Dieser Fallback ist praktisch und wissenswert, denn er bedeutet, dass ein Tippfehler im Modellnamen plausibel klingendes Audio in der falschen Stimme statt eines 400-Fehlers erzeugt.

Regiekontrolle, Dialog in einem Durchgang und Einzelwortkorrektur

Drei Fähigkeiten unterscheiden diese Version von der vorherigen Generation, und alle drei sind auf skriptgesteuerte Produktionsarbeit statt auf Live-Konversation ausgerichtet.

• Natürlichsprachige Steuerung. Statt eines festen Tag-Vokabulars akzeptiert das Modell Anweisungen in Form einfacher Beschreibungen wie [nervös, kaum noch gefasst] oder [warm und entspannt, wie ein Gespräch mit einem alten Freund], und es kann Emotion oder Vortragsweise mitten im Satz ändern, ohne eine neue Aufnahme zu erzeugen. Gepaarte Inline-Tags wie <whisper>…</whisper> und Cues wie [sigh] gelten nur für den Text, den sie umschließen, sodass eine Zeile mitten im Satz ihr Register konstruktionsbedingt statt durch Zufall wechseln kann.

• Mehrsprecher-Dialog in einem einzigen Durchlauf. Jede Figur behält ihre eigene Stimme innerhalb einer einzigen Generierung, wodurch der Splicing-Schritt entfällt, der normalerweise zwischen einem TTS-Modell und einer fertigen Szene liegt. Für Hörspiele und Spieldialoge ist das der Unterschied zwischen einer Pipeline und einem Forschungsprojekt.

• Audio-Inpainting. Ein Segment kann erneut ausgewählt, mit einer neuen Anweisung versehen und eigenständig neu generiert werden – die Workflow-Lösung für das eine falsch ausgesprochene Wort, das früher einen kompletten Re-Render gekostet hat. Fish Audio führt die interaktive Bearbeitungserfahrung, das Inpainting-Tool und eine Editing-API als nur auf Einladung zugänglich bzw. demnächst verfügbar auf, die Fähigkeit existiert also, doch die Oberfläche ist noch nicht allgemein offen.

Fish Audio behauptet außerdem, 83 Sprachen mit Sprachkonsistenz über lange Skripte hinweg und bei Sprachwechseln mitten in einer Szene zu unterstützen, phonemgenaue Aussprachesteuerung in Englisch, Chinesisch, Japanisch, Koreanisch und mehreren anderen Sprachen sowie Voice-Cloning im S2-Stil anhand von Referenzclips von ungefähr 10 bis 30 Sekunden. In der Launch-Demo wurde ein Uncle-Roger-Stimmklon verwendet, der laut Unternehmen mit Genehmigung erstellt und verwendet wurde.

Die Behauptung zur Aussprache und woher sie stammt

In der Ankündigung von Fish Audio heißt es, dass Drama 3 Preview insgesamt 93,2 % in einem Artificial Analysis Pronunciation Robustness Leaderboard erzielt und dort den ersten Platz belegt, vor ElevenLabs Eleven v4 und Eleven v4 Turbo. Die veröffentlichten Teilwerte sind 95,9 % bei Namen, Marken und technischen Begriffen gegenüber 87,3 % für Fish Audio S2.1 Pro; 95,3 % bei kontextabhängigen Wörtern gegenüber 86,1 %; 93,6 % bei Zahlen, Daten und Einheiten gegenüber 92,7 %; und 86,3 % bei Codes, Pfaden und E-Mail-Adressen gegenüber 79,4 %.

Diese Zahlen stammen aus der eigenen Ankündigung von Fish Audio. Als ich nach dem Board suchte, um die Bewertungen pro Modell direkt zu lesen, lieferten die Pfade zur Aussprache-Robustheit 404s zurück, und die Leaderboard-Oberfläche, die ich laden konnte, zeigte das Elo-Ranking, ohne dass eine zitierbare Aussprache-Kennzahl pro Modell angehängt war. Jede Zahl im obigen Absatz ist daher vom Anbieter gemeldet und sollte in jeder Präsentation, die sie verwendet, auch so gekennzeichnet werden. Die Elo-Zahlen an anderer Stelle in diesem Artikel sind anders: Diese habe ich vom Board abgelesen, und sie tragen die eigenen Konfidenzintervalle des Boards.

Die zugrunde liegende Beschwerde, auf die sich die Behauptung bezieht, ist berechtigt, egal wessen Zahl man vertraut. Die Aussprache von Eigennamen, Produktcodes und Dateipfaden ist die Fehlerquelle, die Teams wieder zu menschlichen Sprechern greifen lässt, und sie ist diejenige, deren Behebung die meisten TTS-Anbieter am langsamsten angegangen sind, weil sie kein Prosodieproblem ist. Ein Modell, das 86,3 % der Codes, Pfade und E-Mails bewältigt – gegenüber 79,4 % bei einem Vorgängermodell –, liegt immer noch in etwa einem von sieben Fällen falsch.

Was „open weights“ unter dieser Lizenz bedeutet

Fish Audio Drama 3 Preview erscheint unter der Fish Audio Community License v1.0. Lesen Sie die Bedingungen, bevor Sie Ihre Planung darauf stützen. Die Lizenz ist kostenlos für Forschung und nichtkommerzielle Nutzung und kostenlos für kommerzielle Nutzung, wenn Sie und Ihre verbundenen Unternehmen unter US$500,000 Jahresumsatz bleiben. Oberhalb dieser Schwelle – oder wenn Sie das Modell als Text-to-Speech-, Voice-Cloning- oder Inferenzdienst anbieten möchten, unabhängig von der Größe – benötigen Sie eine Lizenz von Fish Audio. Die S2-Linie bleibt unter einer separaten Research License. Das Klonen der Stimme einer realen Person ohne Einwilligung ist kategorisch verboten.

Die kommerzielle Schwelle wird unabhängig bestätigt: Das Artificial Analysis Board kennzeichnet den Eintrag als offene Gewichte ohne kommerzielle Nutzungsrechte, was mit einer umsatzabhängigen Lizenz statt einer uneingeschränkten Lizenz vereinbar ist. Wenn Sie ein kleines Studio sind, sind offene Gewichte unter dieser Lizenz eine echte Option. Wenn Sie eine Plattform sind, die Inferenz weiterverkauft, sind es keine offenen Gewichte in dem Sinne, den Sie sich erhofft hatten.

Preise und das Einführungsangebot

Der API-Listenpreis beträgt 50 $ pro Million Zeichen, mit 80 % Rabatt auf 10 $ pro Million vom 13. Oktober bis zum 12. November 2026. Creator-Credits entsprechen S2.1 Pro, und die neuen Plus-, Pro- und Max-Pläne sind im selben Zeitraum zum halben Preis erhältlich. Artificial Analysis gibt den Board-Preis mit 15,00 $ pro Million Zeichen unter Standardeinstellungen an, wobei diese Zahl beim Vergleich mit anderen Einträgen auf diesem Board heranzuziehen ist und nicht die von Fish Audios eigener Preisliste.

Der Aktionszeitraum ist der Teil, an dem eine echte Frist hängt. Bei 10 $ pro Million Zeichen unterbietet Drama 3 Preview so gut wie jedes konkurrierende Modell auf dem Leaderboard deutlich. Bei 50 $ ist es teurer als Cartesia Sonic 3.6 bei 49 $ und weit über Qwen-Audio-3.0-TTS-Plus bei 19,30 $. Wer ein Kostenmodell auf Basis des Rabattsatzes erstellt, sollte ein zweites auf Basis des Listenpreises erstellen und prüfen, ob das Projekt noch funktioniert.

Wo dies in einen Produktions-Stack passt

Skriptgesteuertes Audio, das einmal gerendert wird, ist der ideale Anwendungsfall: Hörbücher, Hörspiele, Dialoge in Spielen und Animationen, Kurzformatvideos. Die Multi-Speaker-Generierung in einem einzigen Durchlauf und der Inpainting-Workflow existieren beide, um genau diese Art von Arbeit zu unterstützen, und die Preisgestaltung erfolgt pro Zeichen statt pro Minute, was lange Skripte begünstigt. Interaktives Bearbeiten und die Editing-API sind noch nicht allgemein verfügbar, ein Workflow, der von ihnen abhängt, ist also ein Workflow, der von einer Einladung abhängt.

Die operative Frage danach ist das Routing, und sie ist für Sprache schwieriger als für Text. Fish Audio Drama 3 Preview gehört heute nicht zu den Modellen auf OrcaRouter. Man erreicht es über die eigene API des Anbieters und mehrere Drittanbieter-Plattformen. Das Gleiche gilt für die meisten der oben verglichenen Modelle — die Top Ten des Speech-Leaderboards sind eine Reihe anbieterspezifischer Endpunkte mit anbieterspezifischer Authentifizierung, und jeder Einzelne ist seine eigene Integration und seine eigene Ausfalldomäne. OrcaRouters ~200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag umfassen Text-, Vision- und Reasoning-Arbeit, und sein automatischer Failover existiert genau für den Fall, dass der Endpunkt eines Anbieters mitten im Lauf degradiert. Das praktische Muster für einen Produktions-Sprachpfad besteht darin, den Sprach­anbieter direkt zu halten und alles, was er orchestriert — die Zusammenfassung, den Übersetzungsdurchlauf, den Ersteller des Aussprachewörterbuchs, den QA-Klassifikator — hinter einem einzigen gerouteten Endpunkt zu halten, damit ein Failover dort nicht die Render-Pipeline mit sich nimmt.

Fazit

Fish Audio Drama 3 Preview ist ein echtes Ergebnis und kein Artefakt der Startwoche: Rang 10 in der Provider Voice Arena mit einem Elo von 1.243, Erster unter den 17 Open-Weights-Einträgen des Boards, bei 15,00 $ pro Million Zeichen gegenüber 34 $ für das nächstniedrigere Open-Weights-Modell. Die Abstände zur Spitze des Boards sind noch groß, und die Konfidenzintervalle überschneiden sich mit seinen nächsten Nachbarn, sodass die Open-Weights-Krone eine Ausgangsposition und kein Vorsprung ist. Die Aussprachequote von 93,2 % stammt vom Anbieter selbst und konnte nicht unabhängig aus dem Board abgelesen werden. Die Lizenz hat eine Umsatzobergrenze von 500.000 US-Dollar für die kommerzielle Nutzung, die es für manche Teams vollständig ausschließen wird. Und der Preis von 10 $ läuft am 12. November 2026 aus.

Für ein Studio, das Scripted-Audio in großem Umfang produziert, ist die Kombination aus Multi-Speaker-Generierung in einem einzigen Durchgang, Single-Word-Inpainting und einer Open-Weights-Lizenz unterhalb der Umsatzschwelle das stärkste Argument – stärker als die Platzierung im Leaderboard, die für die Schlagzeilen sorgen wird.

Modellentscheidungen wie diese sind auch der Punkt, an dem die Fehlermodi auftauchen: Die dokumentierten KI-Vorfälle und Agentenausfälle hinter Modellen dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als umstritten enthält.