Fish Audio Drama 3 vs. Breeze TTS 2: Der Open-Weights-Vergleich, der mit einer VRAM-Zahl endet

Fish Audio Drama 3 und Breeze TTS 2sind die beiden am höchsten platzierten Text-to-Speech-Modelle mit offenen Gewichten in der Provider Voice Arena von Artificial Analysis, 50 Elo auseinander, und sie konkurrieren nicht wirklich um dieselbe Bereitstellung. Drama 3 ist ein Mixture-of-Experts-Modell mit 35 Milliarden Parametern, das eine einzelne 48-GB-Karte haben will. Breeze TTS 2 von BreezeBlue ist ein dichtes Modell mit 3 Milliarden Parametern und veröffentlichtem PyTorch-Inferenzcode. Dieser Unterschied beim Platzbedarf entscheidet mehr Kaufentscheidungen als der Elo-Abstand, denn ein Modell, das man nicht ausführen kann, ist kein Modell, das man bewerten kann — und obendrein ziehen die beiden Lizenzen in entgegengesetzte Richtungen.

Dieselbe Bezeichnung, zwei unterschiedliche Arten offener Gewichte

Beide Einträge zeigen auf dem Board einen Gewichte-Link, und beide würden in einer Pressemitteilung als offen beschrieben. Keines von beiden ist Open Source, und die Beschränkungen sind nicht gleich geartet.

Die Gewichte von Breeze TTS 2 wurden am 2026-08-25 auf Hugging Face als BreezeBlue/Breeze-TTS-2 hochgeladen, zusammen mit dem PyTorch-Inferenzcode, unter einer Forschungs- und nichtkommerziellen Lizenz. Das ist eine klare Hürde für den kommerziellen Einsatz ohne separate Vereinbarung, und daran hat sich bis heute nichts geändert. Das Unternehmen kündigte das Modell am 2026-08-16 und 2026-08-17 als Echtzeit-Sprachmodell für interaktive Medien an, eröffnete eine gehostete API zu 34 US-Dollar pro Million Zeichen und veröffentlichte neun Tage später die Gewichte. BreezeBlue wurde von Yang Bin gegründet, einem ehemaligen technischen Mitgründer von MiniMax, mit einer Seed-Finanzierungsrunde über 6 Millionen US-Dollar unter der Führung von Yuanjing Capital und Redpoint China.

Fish Audio Drama 3 erscheint unter der Fish Audio Community License v1.0, die entlang der für die meisten Teams wichtigsten Achse deutlich permissiver ist: Kommerzielle Nutzung ist kostenlos unterhalb von 500.000 US-Dollar Jahresumsatz für Sie und Ihre verbundenen Unternehmen, und die FAQ behandelt das Erstellen fertiger Audioinhalte für Kunden als zulässig. Oberhalb dieser Schwelle, oder wenn Sie Drama 3 als Text-to-Speech-, Voice-Cloning- oder Inferenzdienst hosten möchten, benötigen Sie eine Lizenz von Fish Audio. Die Lizenz verbietet außerdem das Klonen der Stimme einer realen Person ohne deren Einwilligung. S2 — der Vorgänger — bleibt unter der strengeren Research License, sodass die beiden Fish-Audio-Generationen nicht als eine rechtliche Kategorie behandelt werden können.

Die praktische Einschätzung: Breeze TTS 2 ist das Modell, mit dem sich leichter experimentieren lässt und das sich schwerer kommerziell ausliefern lässt; bei Drama 3 ist es umgekehrt. Wenn Ihre Evaluierung eine Forschungsdemo oder ein internes Tool ist, steht Breezes Lizenz nicht im Weg und seine 3B-Größe macht das Experiment günstig. Wenn Ihre Evaluierung in einem Produkt mündet, sind die Fish-Audio-Bedingungen diejenigen, die ein Anwalt ohne Verhandlung unterschreiben wird.

Ein Detail auf der Breeze-Modellkarte sollte hervorgehoben werden, weil es inzwischen veraltet ist. In der Einleitung der Karte heißt es noch, das Modell „steht unter den Open-Weight-Modellen auf dem Artificial Analysis TTS Leaderboard auf Platz 1“. Das stimmte zum Zeitpunkt der Erstellung; heute platziert das Leaderboard Breeze TTS 2 auf Platz 13 bei den Anbieter-Stimmen und auf Platz 28 bei den kontrollierten Stimmen, hinter beiden Fish-Audio-Einträgen. Modellkarten veralten schneller als Leaderboards, und wer nur die Karte prüft, nimmt eine falsche Rangfolge mit.

Die Arena-Zahlen – und warum die Lücke bei der kontrollierten Stimme die größere ist

Lies am 2026-10-29 von Artificial Analysis ab:

• Provider Voice Arena — Fish Audio Drama 3 auf Rang 6 mit einem Elo von 1.278 und einem vom Board verzeichneten Preis von 15,00 US-Dollar pro Million Zeichen; Breeze TTS 2 auf Rang 13 mit 1.228 und 34,00 US-Dollar. Eine Lücke von 50 Punkten, wobei alle dazwischen platzierten Modelle geschlossene Systeme sind.

• Kontrollierte Voice Arena — Fish Audio Drama 3 auf Rang 12 mit 1.085 Punkten; Breeze TTS 2 auf Rang 28 mit 1.021 Punkten. Eine Lücke von 64 Punkten, und dies ist die Rangliste, in der jedes Modell anhand derselben festen Referenzstimmen bewertet wird statt anhand der Stimmen, die sein eigener Anbieter entwickelt hat.

• Die Richtung der Ausweitung – der Vorsprung von Drama 3 wächst um 14 Punkte, wenn man den eigenen Stimmkatalog des Anbieters aus dem Vergleich herausnimmt. Das ist die nützlichste einzelne Zahl in diesem Duell, denn sie besagt, dass der Vorsprung von Fish Audio kein Artefakt davon ist, wie angenehm seine Standardstimmen klingen.

Fünfzig oder vierundsechzig Elo sind ein echter Unterschied in verblindeten Präferenztests, und es ist kein Unterschied, der bestehen bleibt, wenn es das einzige Modell im Vergleich ist. Beide liegen weit unterhalb der geschlossenen Frontier: Eleven v4 Turbo führt das Anbieter-Ranking mit 1.336 an, und HeyGen Voice führt das kontrollierte Ranking mit 1.193 an. Was das Open-Weights-Paar bietet, ist eine selbst hostbare Grundlage, keine Frontier.

Was jedes Einzelne tatsächlich zum Laufen braucht

Hier hört der Vergleich auf, abstrakt zu sein.

• Drama 3 — insgesamt 35B Parameter, pro Token etwa 3B aktiv, 8 von 256 gerouteten Experten plus ein gemeinsam genutzter. Die Gewichte umfassen etwa 40 GB über einen Shard-Satz plus eine separate Codec-Datei, und die FP8-Inferenz benötigt rund 48 GB VRAM. Fish Audio dokumentiert keinen CPU-, Apple-Silicon- oder ROCm-Pfad. Auf einer einzelnen H200 gibt der Anbieter 271 Frames pro Sekunde gegenüber 177 für S2 an, was der Nutzen der Sparse-Architektur ist; diese Zahl stammt vom Anbieter und wurde außerhalb von Fish Audio nicht reproduziert.

• Breeze TTS 2 — 3B dichte Parameter. Ein BF16-Checkpoint umfasst rund 6 GB, passt also bequem auf eine 24-GB-Karte und plausibel auch auf kleinere Karten mit Quantisierung. Der Inferenzcode liegt im Repository vor und wird nicht bloß impliziert. Es gibt keine veröffentlichte Latenzangabe auf der Ebene eines einzelnen Streams, doch das Modell wurde für Echtzeit-interaktive Medien konzipiert und vermarktet, was eine andere Anforderung darstellt als hochwertige Narration.

• Tokenizer — Drama 3 behält das Descript Audio Codec-Setup aus S2 bei: 44,1 kHz, zehn Codebooks, etwa 21,5 Frames pro Sekunde, vollständig kausal. Den Tokenizer von Breeze TTS 2 kann ich nicht aus einer Primärquelle zitieren, und ein Vergleich, der einen erfinden würde, wäre falsche Präzision.

Die Konsequenz ist eindeutig. Ein Team mit vier 24-GB-Karten kann Breeze TTS 2 heute ausführen und Drama 3 nicht ohne Sharding-Tricks ausführen, die Fish Audio nicht dokumentiert. Ein Team mit einer Karte der H200-Klasse wählt zwischen einem Modell, das zu seiner Hardware passt, und einem Modell, das 50 Elo besser ist. Keine der beiden ist die falsche Antwort; sie sind Antworten auf unterschiedliche Fragen.

Kosten bei Volumen, in der Einheit, die Fish Audio tatsächlich abrechnet

Die Dokumentation von Fish Audio rechnet pro Million UTF-8-Bytes ab, nicht pro Zeichen, was die Kalkulation für alle verändert, die nicht auf Englisch schreiben. Eine Million UTF-8-Bytes entspricht derselben Dokumentation zufolge etwa 180.000 englischen Wörtern oder zwölf Stunden Sprache. Drama 3 ist mit 50,00 US$ pro Million Bytes gelistet – etwa 4,17 US$ pro fertiger Audiostunde – mit einem Einführungspreis von 10,00 US$, etwa 0,83 US$ pro Stunde, bis 2026-11-12 09:00 PT. Breeze TTS 2 kostet 34,00 US$ pro Million Zeichen, und bei derselben groben Umrechnung sind das etwa 2,83 US$ pro Stunde.

Die Rangfolge kehrt sich also je nach Kauftag um. Während der Aktion kostet Drama 3 pro Stunde etwa ein Drittel dessen, was Breeze TTS 2 kostet. Nach dem 2026-11-12 ist Drama 3 zum Listenpreis pro Stunde rund 47 % teurer als Breeze – und dabei auf den Arenen 50 bis 64 Elo besser sowie bei der Aussprache deutlich besser. Und bei CJK- oder kyrillischem Text treibt die bytebasierte Abrechnung Drama 3 weiter nach oben: Ein Zeichen mit drei Bytes kostet nach dieser Tabelle dreimal so viel wie ein englischer Buchstabe, während ein Anbieter, der pro Zeichen abrechnet, für beide dasselbe berechnet.

Zwei Abrechnungsdetails aus derselben Dokumentation sollten in ein Budgetmodell übernommen werden, weil beide die tatsächlichen Ausgaben unbemerkt aufblähen. Die Ratenlimits gelten für gleichzeitige Anfragen, nicht für Anfragen pro Sekunde – 5 gleichzeitig im Starter-Tarif, 15 ab 100 $ bezahltem Tarif, 50 ab 1.000 $ – und eine Anfrage über dem Limit liefert einen 429 ohne Retry-After-Header, sodass ein naiver paralleler Renderer seinen eigenen Backoff implementieren muss. Und Anfragen, die eine Modell-ID nennen, die fehlt oder nicht exakt übereinstimmt, werden als Standardmodell bedient und abgerechnet; auf der TTS-Seite bedeutet das, dass ein falsch geschriebener „Drama 3“-Header während der Promo dir den Tarif von S2.1 Pro statt des Rabatts berechnen kann.

Beides hinter eine gemeinsame Pipeline bringen

Weder {{1}}Fish Audio Drama 3{{/1}} noch {{2}}Breeze TTS 2{{/2}} gehört zu den Modellen auf {{3}}OrcaRouter{{/3}}. Der Zugang zu jedem erfolgt über die eigene API des jeweiligen Anbieters und im Fall von {{4}}Fish Audio{{/4}} über Plattformen Dritter; und die ehrliche Version dieses Abschnitts sagt das auch, statt einen Weg anzudeuten, den wir nicht haben.

Die Orchestrierungsschicht ist eine separate Frage, und genau hier zahlt sich die Aufteilung auf zwei Modelle aus. Ein kleines Studio, das Drama 3 für die Narration und Breeze TTS 2 für Echtzeit-UI-Prompts möchte, hat zwei SDKs, zwei Tariftabellen und zwei Fehlermodi gleichzeitig unter einer Deadline am Laufen. Das Routen des restlichen Stacks über einen einzigen Endpunkt zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover zwischen Upstreams, bedeutet, dass die Wahl des TTS-Anbieters zu einer Zeile in einer Konfiguration wird statt zu einem zweiten Vertrag – und die Routing-DSL kann einen Modellaufruf mit dem Audioschritt zusammensetzen, statt sie im Anwendungscode zusammenzuschrauben.

Wenn Sie heute eine auswählen und die Hardware bereits gekauft ist, ist die Entscheidung quasi schon für Sie getroffen: 48 GB VRAM sind eine andere Budgetkategorie als 6 GB, und die reine Forschungs-Lizenz von Breeze erfordert eine andere rechtliche Prüfung als die Community-Lizenz von Drama 3 mit Umsatzobergrenze. Wenn Sie eine nach Qualität innerhalb der Open-Weights-Klasse auswählen, lautet die Antwort in beiden Arenen und bei der Aussprache Drama 3, und das Preisargument gilt nur für die nächsten zwei Wochen.