Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: Google ist jetzt der Günstige, und das kehrt das übliche Argument um

Setzt man für diese beiden den Preis pro Minute fertiggestellten Audios an, ähnelt der Vergleich nicht mehr dem, den der Markt das ganze Jahr über angestellt hat. Google Gemini 3.8 Flash TTS berechnet 9,00 US-Dollar pro Million Audio-Tokens, und Audio wird mit 25 Tokens pro Sekunde generiert – etwas mehr als zwei Hundertstel Cent pro Sekunde, was etwa 0,81 US-Dollar pro Stunde Sprachausgabe entspricht. Fish Audio Drama 3 ist mit 50,00 US-Dollar pro Million UTF-8-Bytes gelistet; die eigene Dokumentation des Anbieters setzt dies mit ungefähr zwölf Stunden Sprachausgabe gleich: etwa 4,17 US-Dollar pro Stunde zum Listenpreis und 0,83 US-Dollar pro Stunde während der Einführungspromotion, die am 2026-11-12 endet. Damit ist Googles Flaggschiff-Sprachmodell fünfmal günstiger als der Open-Weights-Herausforderer, sobald der Rabatt ausläuft, und ungefähr gleich teuer, solange er gilt. Die übliche Darstellung – ein agiles offenes Modell unterbietet einen Hyperscaler – ist hier genau verkehrt herum, und zu verstehen, warum, ist der entscheidende Punkt bei dieser Entscheidung.

Die Rechnung – detailliert genug zum Nachprüfen.

Googles Einheit sind Tokens, nicht Zeichen, weshalb die Schlagzeilenzahlen neben den Anbietern, die pro Zeichen abrechnen, unspektakulär wirkten. Gemini 3.8 Flash TTS erzeugt Audio mit 25 Tokens pro Sekunde gesprochener Sprache zu 9,00 US-Dollar pro Million Tokens bis Ende 2026, und das Modell, das es ersetzt – Gemini 3.1 Flash TTS Preview – kostete 20,00 US-Dollar für dieselbe Million Ausgabe-Tokens. Gemini 3.8 Flash-Lite TTS, am 2026-09-23 zusammen damit eingeführt, hat eine kürzere Sprachliste und erneut einen niedrigeren Tarif, und Artificial Analysis führt es zum Vergleich mit 11,00 US-Dollar pro Million Zeichen auf.

Fish Audios Einheit sind Bytes, nicht Zeichen, und in der Dokumentation wird die Umrechnung klar angegeben: Eine Million UTF-8-Bytes entsprechen ungefähr 180.000 englischen Wörtern oder etwa zwölf Stunden Sprache. Bei 50,00 US-Dollar pro Million Bytes sind das 4,17 US-Dollar pro Stunde vor jeglichem Overhead. Beim Aktionspreis von 10,00 US-Dollar sind es 0,83 US-Dollar. Regieanweisungen in eckigen Klammern werden als Eingabetext abgerechnet, sodass ein stark mit Regieanweisungen versehenes Skript 10-25 % mehr kostet, als seine Wortzahl vermuten lässt — und in diesem Vergleich wird jede Klammer abgerechnet, denn Drama 3 ist gerade so konzipiert, dass man die Darbietung in das Skript hineinschreibt.

• Listenpreis pro Stunde Sprachausgabe – Gemini 3.8 Flash TTS etwa 0,81 $; Drama 3 etwa 4,17 $.

• Aktionspreis, pro Stunde — Gemini 3.8 Flash TTS etwa 0,81 $; Drama 3 etwa 0,83 $. Effektiv ein Gleichstand.

• Einheit — Token pro Sekunde der Ausgabe auf der Google-Seite; UTF-8-Bytes der Eingabe auf der Fish-Audio-Seite. Beides sind ehrliche Einheiten. Sie sind nicht dieselbe Einheit, und jeder „pro Million X“-Vergleich, der sie ohne Umrechnung vermischt, ist Rauschen.

• Die versteckte Klausel — eine Drama 3-Anfrage, deren Modell-Header fehlt oder falsch geschrieben ist, schlägt nicht fehl, sondern fällt auf s2.1-pro zurück und wird mit 15,00 $ pro Million Bytes abgerechnet, was für einen Tippfehler einem Aufschlag von 50 % auf den Aktionspreis entspricht.

Was Googles Preis tatsächlich kauft

Günstiger pro Stunde zu sein ist nur interessant, wenn die Ausgabe brauchbar ist – und die unabhängigen Zahlen sagen, dass sie es ist, und zwar mit einer ganz bestimmten Ausprägung. Artificial Analysis platziert Google Gemini 3.8 Flash TTS auf Platz fünf der Provider Voice Arena mit einem Elo von 1.283 und einem in der Rangliste verzeichneten Preis von 16,50 US-Dollar – vor Fish Audio Drama 3 mit 1.278 – sowie auf Platz vierundzwanzig der Controlled Voice Arena mit 1.053, hinter Drama 3 mit 1.085. Diese Zweiteilung bringt das Modell in einem Satz auf den Punkt: Es klingt hervorragend, wenn Googles eigene Stimmen im Spiel sind, und fällt in die Mitte des Feldes zurück, wenn jedes Modell anhand derselben Referenzstimmen beurteilt wird.

Das Aussprache-Board zeichnet ein ähnlich enges Bild. Gemini 3.8 Flash TTS führt alle 31 bewerteten Modelle in der Kategorie „kontextuell angemessen“ mit 98,0 % an, und Drama 3 liegt bei 95,3 %. Das ist nicht die Schwachstelle des Modells. Googles Schwachstelle in diesem Vergleich ist die Kontrolle: Gemini liefert 30 vorgefertigte Studio-Stimmen — darunter Kore und Puck — mit dem vollständigen Set von 130 Sprachen und automatischer Spracherkennung sowie eine Stimmbibliothek, die die Dokumentation in der Extended Voice Library als „Hunderte“ beschreibt, während die Marketingseite über 2.000 angibt. Diese Zahlen wurden von außen nie in Einklang gebracht, und wenn eine bestimmte Stimme für Ihr Produkt entscheidend ist, ist das Testen dieser Stimme die einzig ehrliche Antwort, die Ihnen jemand geben kann.

Dreißig brauchbare Stimmen ohne Cloning sind in Ordnung für einen Support-Bot, einen Produktsprecher oder eine Sprachlern-App. Das reicht nicht für eine Drama-Pipeline, ein Spiel mit zwölf Charakteren, die besetzt werden müssen, oder jede Kundenarbeit, bei der die Stimme das Ergebnis ist. Das ist die Lücke, die Fish Audio füllt, und es ist eine Lücke in der Art, nicht im Grad.

Was offene Gewichte dir bringen – und was sie dich im Betrieb kosten

Fish Audio Drama 3 ist ein Mixture-of-Experts mit 35 Milliarden Parametern und etwa 3 Milliarden pro Token aktiven Parametern, initialisiert aus Qwen3.5-35B-A3B, 8 von 256 gerouteten Experten plus einem gemeinsam genutzten, vierzig Schichten in Blöcken aus drei Gated-DeltaNet-Schichten und einer gated Full-Attention-Schicht. Die Gewichte sind auf Hugging Face als fishaudio/drama-3 veröffentlicht – etwa 40 GB über einen Shard-Satz verteilt plus eine separate Codec-Datei – und FP8-Inferenz benötigt rund 48 GB VRAM, ohne dokumentierten CPU- oder ROCm-Pfad. Das Serving erfolgt über SGLang-Omni, und der Anbieter meldet 271 Frames pro Sekunde auf einer einzelnen H200 gegenüber 177 bei S2.

Diese Hardwarezeile ist das eigentliche Geschäft. Googles Preis von $0.81 pro Stunde enthält keine Investitionsausgaben und keinen Betrieb; Ihre einzige feste Kostenposition ist die Anfrage. Der Aktionspreis von Drama 3 von $0.83 pro Stunde ist ein API-Tarif, und wenn Sie es selbst betreiben, wird daraus eine 48-GB-GPU, ein Serving-Stack und eine Person, die die Verantwortung dafür trägt. Für einen Katalog von vierzig Stunden Audio pro Monat ist die API offensichtlich günstiger. Bei einigen tausend Stunden oder bei allem, was ohne einen Drittanbieter im Spiel laufen muss, verändern die Modellgewichte die Rechnung vollständig — und sie sind das Einzige, was Google zu keinem Preis verkauft.

Die Lizenz spielt auch hier eine Rolle, denn sie ist es, was „Open Weights“ von „kostenlos“ trennt. Drama 3 wird unter der Fish Audio Community License v1.0 veröffentlicht: kostenlos für Forschung und nichtkommerzielle Nutzung, kommerziell kostenlos unter US$500.000 Jahresumsatz für Sie und Ihre verbundenen Unternehmen, wobei oberhalb dieser Schwelle oder für das Angebot von Drama 3 selbst als gehostetem Sprach- oder Klon-Dienst eine separate Lizenz erforderlich ist. Artificial Analysis kennzeichnet es als Open Weights ohne vollständige kommerzielle Nutzungsrechte. Googles Bedingungen sind die gewöhnlichen API-Bedingungen, was einen anderen Fragenkomplex darstellt — Datenuumgang statt Weiterverteilung.

Sprachen – und eine Zahl, die weniger bewirkt, als sie zu versprechen scheint

Google gibt an, 130 Sprachen mit automatischer Erkennung anhand des Texts zu unterstützen. Fish Audio gibt 83 an, verbunden mit einer deutlich seltsameren Fähigkeit: Regieanweisungen können in beliebiger Sprache geschrieben werden und müssen nicht mit der Sprache des Skripts übereinstimmen, und es gibt einen dokumentierten Sprachwechsel-Tag, der eine einzelne Phrase mitten in der Zeile in eine andere Sprache umschaltet – als experimentell gekennzeichnet. Das sind unterschiedliche Produkte. Googles Zahl sagt etwas darüber aus, wie viele Märkte man mit einer einzigen Integration erschließen kann. Fish Audios Zahl sagt etwas darüber aus, wie präzise eine einzelne Zeile produziert werden kann – von einem Regisseur, der die Sprache des Skripts möglicherweise nicht teilt.

Für ein Team, das ein lokalisiertes Produkt ausliefert, schlägt 130 die 83, und die automatische Erkennung ist eine echte operative Ersparnis – kein sprachspezifisches Routing, keine sprachspezifische Stimmauswahl. Für ein Team, das Inhalte in ein oder zwei Sprachen für ein aufmerksames Publikum produziert, ist 83 keine Einschränkung, und die Fähigkeit zur Richtungserkennung in jeder Sprache ist die wertvollere der beiden Funktionen. Keine der beiden Zahlen sollte als Tabellenplatz gelesen werden; die Anzahl der Sprachen, die ein Modell angibt, hat noch nie gut damit korreliert, wie gut es in der Sprache ist, die man braucht.

Wo jedes von ihnen in einem gerouteten Stack liegt

Dies ist einer der wenigen Artikel in dieser Reihe, in denen man nicht darüber hinweggehen kann, dass die Anbieterseite nicht ganz ehrlich ist: OrcaRouter führt Googles frühere Gemini-Sprachmodelle — google/gemini-3.1-flash-tts-preview und google/gemini-2.5-flash-preview-tts sind heute beide im Katalog —, nicht jedoch Google Gemini 3.8 Flash TTS und auch nicht Fish Audio Drama 3. Die älteren Gemini-TTS-Modelle sind über uns zu Googles Listenpreis ohne Aufschlag erhältlich; die beiden Modelle, um die es in diesem Artikel eigentlich geht, sind über die eigenen APIs ihrer Anbieter und im Fall von Fish Audio über Drittanbieter-Plattformen erreichbar.

Die nützliche Konsequenz daraus ist, dass der größere Teil einer Google-Sprachrechnung bereits hinter einem einzigen Schlüssel liegen kann, und die Failover-Schicht ist es, die den Vergleich günstig im Betrieb macht: Stellen Sie einen Canary von Drama 3 neben einen Aufruf von Gemini 3.8 Flash TTS, leiten Sie den Produktionspfad zu demjenigen, der Ihren Abnahmetest übersteht, und die Auswahl pro Segment lebt in der Routing-DSL statt in zwei SDKs. Modellfusion ist die andere Option, die sich daraus ergibt – ein Panel, das dieselbe Zeile durch beide rendert und nach einer von Ihnen definierten Regel auswählt; für Narration bedeutet das, dass Sie die Aussprache von Drama 3 auf den Zeilen mit Codes und Googles kontextbezogene Lesung auf der Prosa behalten können.

Die Entscheidung, klar gesagt: Für Englisch in großem Umfang ohne Klonen und ohne Neigung zu Infrastruktur ist Gemini 3.8 Flash TTS mit $0.81 pro Stunde das günstigere und besser klingende Modell bei den Anbieterstimmen, und das Argument für Drama 3 übersteht den Kontakt mit der Preisliste nicht. Für alles, was individuelle oder Cast-Stimmen, wortgenaue Regieanweisungen, Phonemsteuerung oder die Möglichkeit erfordert, ohne Drittanbieter zu laufen, ist Drama 3 von den beiden das einzige, das die Aufgabe überhaupt erledigen kann — zum Listenpreis kostet es pro Stunde fünfmal so viel wie Google, und während der Aktion kostet es dasselbe, womit die nächsten zwei Wochen das günstigste Zeitfenster sind, das jemand bekommen wird, um herauszufinden, ob der Aussprachevorteil es wert ist, darauf aufzubauen.