Fish Audio Drama 3 vs. Inworld Realtime TTS-2: Das eine liest ein Skript, das andere folgt einem Gespräch

Das Wort „Realtime“ in Inworld Realtime TTS-2 ist eine Aussage über die Latenz, keine Beschreibung dessen, was das Modell tut. Inworlds Speech-to-Speech-Produkt für Live-Gespräche ist ein separater Posten auf einer eigenen Preisseite; Realtime TTS-2 ist ein Text-to-Speech-Modell, das schnell genug für interaktive Nutzung ist. Diese Unterscheidung wird in dem Moment wichtig, in dem man es mit Fish Audio Drama 3vergleicht, das für die entgegengesetzte Aufgabe gebaut ist – ein Modell mit 35 Milliarden Parametern, dessen gesamtes Design darin besteht, dass man Regieanweisungen in das Skript schreibt, bevor eine einzige Zeile gesprochen wird. Stellt man sie auf Artificial Analysis nebeneinander, ist die Aufteilung ungewöhnlich klar: Drama 3 führt die Provider Voice Arena mit 11 Punkten an, und Inworld führt die Controlled Voice Arena mit 61 an. Die Richtung dieser Kluft sagt mehr darüber aus, wofür jedes von beiden gedacht ist, als es jede der Zahlen für sich allein tut.

Zwei Produkte, die nie auf dasselbe abzielten

Inworld Realtime TTS-2 startete am 2026-05-05 als Research Preview und erreichte am 2026-09-02 die allgemeine Verfügbarkeit. Das Argument bei GA war nicht Klangtreue: Es besagte, dass das Modell die vorherigen Gesprächsbeiträge als Audio heranzieht und über Ton und Tempo nachdenkt, bevor es entscheidet, wie die nächste Zeile klingen soll. Das ist eine Funktion für Konversationsagenten. Ein Support-Bot, der gerade einen frustrierten Kunden gehört hat, braucht keine Regieanweisung – er muss eine aus dem ableiten, was gerade gesagt wurde.

Fish Audio Drama 3, veröffentlicht am 2026-10-13, geht den entgegengesetzten Weg. Jede Fähigkeit, mit der es wirbt, dreht sich um ausdrückliche Autorschaft: Anweisungen in eckigen Klammern vor der Phrase, die sie steuern, Klang- und Pausenereignisse mitten in der Zeile platziert, gepaarte Tags, die nur die umschlossenen Wörter verändern (Flüstern, Betonung, sanft, schnell, langsam, Hervorhebung, kraftvoll), Phonem-Fixierung für die Aussprache, ein Sprachwechsel-Tag für eine einzelne Phrase, Anweisungen in einer anderen Sprache als das Skript und Multi-Sprecher-Dialog in einer einzigen Anfrage über ein reference_id-Array mit Sprecher-Tags für jeden Redebeitrag. Nichts in dieser Liste lässt sich aus dem Kontext ableiten. All das ist etwas, das ein Autor eintippt.

Die ehrliche Formulierung lautet also nicht „Welches ist besser“, sondern „Welchen Ausfall du nicht tolerieren kannst“. Eine Drama-Pipeline, die eine Szene mit zwölf Figuren mit emotionaler Kontinuität rendern muss, wird das mit einem Modell nicht schaffen, das darauf ausgelegt ist, den Tonfall aus einem Chatverlauf abzuleiten. Ein Sprachagent, der in unter einer Sekunde antworten muss, wird das mit einem Modell nicht schaffen, das eine Regieanweisung und 48 GB VRAM verlangt. Der Überschneidungsbereich, in dem beide wirklich tragfähig sind, ist schmal: skriptbasierte, hochwertige Narration, die über eine API für interaktive Inhalte bereitgestellt wird – Hörbuchvorschauen, vorgerenderte NPC-Barks, Marketing-VO, die nach einem Zeitplan neu generiert werden muss.

Die Boards, in der richtigen Reihenfolge gelesen

Beide unten aufgeführten Zahlen wurden am 29.10.2026 aus Artificial Analysis entnommen:

• Provider Voice Arena — Fish Audio Drama 3 auf Rang 6 mit 1.278 und einem vom Board erfassten Preis von 15,00 US$ pro Million Zeichen; Inworld Realtime TTS-2 auf Rang 8 mit 1.267 und 20,80 US$. Inworld Realtime TTS-2 Flash liegt auf dem kontrollierten Board auf Rang 19 mit 1.065.

• Controlled Voice Arena — Fish Audio Drama 3 auf Rang 12 mit 1.085; Inworld Realtime TTS-2 auf Rang 7 mit 1.146. Hier liegt Inworld 61 Punkte vorn.

• Die Asymmetrie – der 11-Punkte-Vorteil von Drama 3 als Anbieter schrumpft und kehrt sich um, sobald der Vergleich mit identischen Referenzstimmen statt mit dem eigenen Katalog jedes Anbieters durchgeführt wird. Sein Vorsprung ist größtenteils ein Vorsprung unter den Stimmen, die Fish Audio ausliefert; der von Inworld ist es nicht.

• Die andere Asymmetrie – Inworlds zwei Einträge verteilen sich über das Feld: das Flaggschiff bei 1.146 und Flash bei 1.065, eine Lücke von 81 Punkten zwischen den Stufen derselben Familie. Drama 3 hat keine Stufe darunter; entweder man nimmt das 35B-Modell oder man verwendet etwas anderes.

Dies ist das umgekehrte Muster zu denselben beiden Boards unter Google Gemini 3.8 Flash TTS, wo das geschlossene Modell bei den Anbieter-Stimmen gewann und bei den kontrollierten verlor. Keines der Muster ist Rauschen; beide erinnern daran, dass eine einzelne Arena-Zahl das Paket aus Modell und Stimmenbibliothek beschreibt und nur das kontrollierte Board das Modell isoliert.

Kontextbewusstsein versus Richtung, konkret

Die GA-Ankündigung für Inworld Realtime TTS-2 beschreibt ein Modell, das den Gesprächsverlauf liest – frühere Gesprächsrunden als Audio – und ihn nutzt, um Tempo und Tonfall zu gestalten. Das ist eine Anbieterbehauptung, keine unabhängig bewertete Fähigkeit, und die Arenen von Artificial Analysis testen sie nicht; sie testen einzelne Zeilen gegen Referenzstimmen. Die Funktion, die Inworld tatsächlich verkauft, ist also diejenige, die derzeit kein öffentlicher Benchmark misst. Behandle die Behauptung als vielversprechend und ungetestet, und teste sie an deinem eigenen Dialog statt an einem Leaderboard.

Die Steuerungsfähigkeiten von Drama 3 sind im engeren Sinne messbar, und zwar insofern, als man sieht, wie sich die Ausgabe ändert, wenn man eine Klammer ändert, und Fish Audio dokumentiert jede davon mit Beispielaudio. Das Merkmal, mit dem kein Wettbewerber in diesem Vergleich mithalten kann, ist die sprachunabhängige Regieanweisung: eine auf Chinesisch verfasste Anweisung vor einer englischen Zeile, dokumentiert und demonstriert. Für ein internationales Postproduktionsteam ist das ein operativer Mehrwert statt eines Nice-to-have, und es ist die Art von Sache, die sich innerhalb einer Stunde in einem Pilotprojekt zeigt.

Der praktische Test für ein Team, das zwischen ihnen wählen muss, ist eine Seite des eigenen Dialogs. Rendern Sie diese mit dem Konversationskontext von Inworld, eingerichtet wie in der Produktion, und rendern Sie sie mit Drama 3 und expliziten Anweisungen. Die Variante, die weniger Zeilen erzeugt, die Sie manuell nachbessern müssen, ist die Antwort – und für einen Chat-Agenten wird sie anders ausfallen als für ein Hörspiel.

Klonen, Latenz und die Zahlen, mit denen Sie planen können

Inworlds Instant-Voice-Cloning akzeptiert {{1}}5 bis 15 Sekunden{{/1}} Referenzaudio, und seine Professional-Cloning-Beta benötigt etwa {{2}}10 Minuten{{/2}} Audio für einen Klon mit höherer Wiedergabetreue. Das sind {{3}}Herstellerangaben, und sie sind konkret genug, um getestet zu werden{{/3}}. {{4}}Fish Audios Cloning liegt im selben Credit-System wie die Generierung{{/4}}, und {{5}}Drama 3 nutzt auf Abonnementplänen dieselben Credits wie S2.1 Pro{{/5}} — doch {{6}}die Lizenz ist der Teil, der sich unterscheidet{{/6}}, denn {{7}}Fish Audios Community-Lizenz verbietet ausdrücklich das Klonen der Stimme einer realen Person ohne Einwilligung{{/7}}, während {{8}}Inworlds Bedingungen die gewöhnlichen API-Bedingungen sind{{/8}}.

Bei der Latenz ist Inworld eindeutig das richtige Werkzeug, und der Vergleich sollte nicht so tun, als wäre es anders. Realtime TTS-2 und seine Flash-Stufe wurden für interaktive Produkte entwickelt, wobei die Flash-Stufe für genau die Workloads, die sie benötigen, 40 % unter dem Flaggschiff bepreist ist. Fish Audios veröffentlichte Geschwindigkeitszahl für Drama 3 beträgt 271 Frames pro Sekunde auf einem einzelnen H200 gegenüber 177 für S2 – eine Durchsatzkennzahl für Batch-Rendering, keine Time-to-First-Byte-Zeit für einen Live-Stream. Wenn Ihre Anforderung lautet „die Stimme muss innerhalb eines Gesprächsbeitrags einsetzen“, befinden Sie sich im Inworld-Produkt, und der 11-Punkte-Vorsprung von Drama 3 beim Anbieter ändert daran nichts.

Preis, zu dem Satz, den Sie tatsächlich zahlen werden

Inworld Realtime TTS-2 kostet bei On-Demand-Nutzung 25,00 US-Dollar pro Million Zeichen, mit Staffelung auf 20,00 US-Dollar im 25-US-Dollar-Creator-Plan, 17,50 US-Dollar bei Builder, 15,00 US-Dollar bei Developer und 12,50 US-Dollar bei Growth; Flash kostet bei On-Demand-Nutzung 15,00 US-Dollar und fällt bei Growth auf 7,00 US-Dollar. Fish Audio Drama 3 kostet laut Listenpreis 50,00 US-Dollar pro Million UTF-8-Bytes und während der Einführungsaktion bis zum 12.11.2026, 09:00 Uhr PT, 10,00 US-Dollar. Bei einem englischen Skript mit 100.000 Zeichen sind das 2,50 US-Dollar zum On-Demand-Tarif von Inworld gegenüber 5,00 US-Dollar für Drama 3 zum Listenpreis bzw. 1,00 US-Dollar während der Aktion.

Drei Vorbehalte gehören in diese Rechnung und nicht darunter. Drama 3 rechnet pro UTF-8-Byte ab, daher kostet ein CJK-Skript bei gleicher Zeichenzahl ein Vielfaches dessen, was ein englischsprachiges Skript kostet, während der Zeichenpreis von Inworld unverändert bleibt. Die Regie-Klammern von Drama 3 werden als Eingabetext abgerechnet, was bei einem stark mit Regieanweisungen versehenen Skript einem Aufschlag von 10–25 % entspricht – genau bei den Skripten, für die man das Modell braucht. Und bei Fish Audio erfolgt der Fallback stillschweigend: Eine Anfrage, deren Modell-Header fehlt oder nicht exakt übereinstimmt, wird bedient und als s2.1-pro zu 15,00 US-Dollar pro Million Bytes abgerechnet statt abgelehnt.

Der Vergleich, der alle drei Einschränkungen übersteht, ist kürzer, als die Preistabellen vermuten lassen. Zum Listenpreis kostet Inworld pro englischem Zeichen etwa die Hälfte von Drama 3 und ist bei kontrollierten Stimmen besser als dieses. Während der Aktion kostet Drama 3 ein Drittel von Inworlds Preis. Wer sich allein am Preis orientiert, entscheidet über ein Datum, nicht über ein Produkt.

Weder das eine noch das andere steht in unserem Katalog – und was sich dadurch ändert.

Fish Audio Drama 3 und Inworld Realtime TTS-2 werden beide über die APIs ihrer jeweiligen Anbieter und über Drittanbieterplattformen erreicht; keines von beiden ist eines der Modelle auf OrcaRouter, und die Routing-Argumentation hier betrifft den Rest des Stacks und nicht diese beiden. Ein Voice-Produkt greift selten ausschließlich auf ein Sprachmodell zurück – es ruft ein LLM für die Textzeile auf, ein Sprachmodell für das Audio, manchmal ein zweites Sprachmodell für ein anderes Segment, und es hat eine Deadline. Das Konsolidieren der Nicht-Sprach-Hälfte hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, sodass eine einzelne Upstream-Störung das Rendern nicht blockiert, ist das, was die Wahl des Sprachmodells zu einer Konfigurationsentscheidung statt zu einer Architekturentscheidung macht.

Wo die Routing-DSL in diesem konkreten Vergleich ihren Nutzen beweist, ist die gemischte Pipeline: vorab gerenderte dramatische Zeilen über Drama 3 und live geführte Gesprächsbeiträge über Inworld, adressiert als zwei Routen unter einem Schlüssel, wobei die Auswahl pro Segment getroffen wird. Modellfusion deckt den Fall ab, in dem man sich nicht entscheiden kann – dieselbe Zeile durch beide rendern, sie anhand einer Referenz bewerten und den Gewinner behalten. Keines davon ist ein Weg an den Preisen des einen oder anderen Anbieters vorbei. Sie sind ein Weg, das Pflegen zweier Integrationen zu umgehen, nur um eine Zeile in einer Konfigurationsdatei zu sparen.

Für einen Leser, der sich für eines entscheidet: Inworld Realtime TTS-2, wenn die Sprachausgabe auf ein Gespräch reagieren muss, wenn Latenz die einschränkende Bedingung ist, wenn Sie einen Flash-Tier wollen, um Volumen aufzufangen, und wenn eine geschlossene API akzeptabel ist. Fish Audio Drama 3, wenn die Sprachausgabe eher verfasst als reaktiv ist, wenn die Aussprache von Namen und Codes zuverlässig sein muss, wenn die Regie schriftlich festgehalten werden muss, wenn Sie die Gewichte wollen oder wenn das Briefing in einer anderen Sprache als dem Skript verfasst wird. Der Anbietervorsprung von 11 Punkten ist die am wenigsten wichtige Zahl in dieser Liste; das kontrollierte Defizit von 61 Punkten ist die Zahl, die Sie gegen Ihre eigenen Referenzstimmen prüfen sollten, bevor Sie sich festlegen.