Fish Audio Drama 3 vs. Ming 3.0 TTS: Der 91-Punkte-Vorsprung, der bei einer geklonten Stimme verschwindet

Fish Audio Drama 3 führt Ming 3.0 TTS um 91 Elo-Punkte auf der Bestenliste an, auf der jedes Modell mit seiner eigenen Stimmenbesetzung spricht, und um 17 auf der Bestenliste, auf der beiden dieselben acht geklonten Referenzen vorgelegt werden – eine Lücke, die eng genug ist, dass sich ihre Konfidenzintervalle überschneiden. Beide sind Open-Weight-Veröffentlichungen der letzten sechs Wochen, beide werden von Artificial Analysis bewertet, und bei dem einen Test, der einen Menschen fragt, ob ein schwieriges Wort tatsächlich richtig aus dem Mund kam, liegen sie bei 93,2 %. Drei Zahlen, von denen zwei in unterschiedliche Richtungen zeigen. Welcher du glaubst, entscheidet, welches Modell du kaufst, und die Antwort hängt davon ab, ob dein Produkt nach sich selbst klingt oder nach jemand anderem.

Zwei Releases, sechs Wochen auseinander, auf gegensätzliche Größenordnungen ausgelegt

Drama 3 wurde am 13. Oktober 2026 angekündigt und ist in Fish Audios API als drama-3 live, mit Gewichten auf Hugging Face unter einer neuen Community-Lizenz. Ming 3.0 TTS kam unauffälliger und in Teilen: Die InclusionAI-Repositories auf Hugging Face erschienen am 22. September, die 0.5B-Gewichte am 24. September und der Inferenzcode erst am 19. Oktober – weshalb Artificial Analysis es erst am 20. Oktober bewerten konnte. Ant Group hat nie einen Launch-Beitrag dazu veröffentlicht, und es gibt keinen gehosteten Endpunkt oder Listenpreis.

Die Datenblätter liegen nicht dicht beieinander, und das ist das Erste, was man verstehen muss, bevor die Ranglisten überhaupt etwas bedeuten.

• Parameter — eine 35B-Mixtur von Experten mit rund 3B aktiven Parametern pro Token, initialisiert aus Qwen3.5-35B-A3B, mit Routing von 8 von 256 Experten plus einem geteilten Experten, gegenüber einem dichten 0,5B-Modell auf einem Qwen2.5-0.5B-Backbone. Ant liefert außerdem eine MoE namens Ming-3.0-tts-tiny mit insgesamt 7,9B und 1,3B aktiven Parametern, für die es überhaupt keinen eigenständigen Score gibt.

• Sprachabdeckung — 83 Sprachen werden für Drama 3 beansprucht, gegenüber sieben beim 0.5B-Ming-Checkpoint (Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch, Japanisch) sowie Sichuanesisch und Kantonesisch, wenn Sie einen Dialekt-Referenzclip bereitstellen.

• Ausgabe — 44,1 kHz von beiden, erzeugt mit sehr unterschiedlicher Technik: Drama 3 behält den Descript Audio Codec Tokenizer seines Vorgängers bei zehn Codebooks und etwa 21,5 Frames pro Sekunde bei, während Ming ein kontinuierliches Latent mittels AudioVAE dekodiert.

• Gewichte und Lizenz — Drama 3 unter der Fish Audio Community License v1.0, kostenlos bis zu einem Jahresumsatz von unter 500.000 US-Dollar und verhandelbar darüber hinaus oder wenn Sie die Synthese als Dienst weiterverkaufen. Ming 3.0 TTS unter MIT, ganz ohne Umsatzgrenze.

• Preis — 50 US$ pro Million UTF-8-Bytes laut Listenpreis, bis zum 12. November 2026 auf 10 US$ ermäßigt, gegenüber keinem Preis, weil es nichts zu kaufen gibt: Sie laden den 2,96-GB-Checkpoint herunter und führen ihn aus.

Der Größenunterschied wirkt in beide Richtungen. Der 35B-Backbone von Drama 3 ist es, der ihm ermöglicht, eine Richtung über ein langes Skript hinweg zu halten und mehrere Sprecher in eine einzelne Szene zu bringen, wobei pro Sprecher eine Voice-ID als Array übergeben wird; er ist auch der Grund, warum niemand es auf einem Laptop betreiben wird. Mings 0,5B ist ein Modell, das man auf einer einzelnen moderaten GPU hosten und auf einer gemieteten fine-tunen kann.

Warum Artificial Analysis zwei unterschiedliche Antworten liefert

Die Rangliste, die alle zuerst zitieren, ist die Provider Voice Arena, und dort hat Drama 3 einen echten Vorsprung eröffnet. Mit Stand vom 29. Oktober steht Drama 3 auf Platz sechs von 100 Modellen mit einem Elo von 1.278 und wird von Artificial Analysis unter den Standardeinstellungen mit US$15 pro Million Zeichen bepreist. Ming 3.0 TTS steht mit 1.187 auf Platz 24, ohne erfassten Preis, weil es keinen kommerziellen Endpunkt gibt, der erfasst werden könnte. Eine Lücke von 91 Punkten auf einer Rangliste, deren Konfidenzintervalle etwa zwischen ±13 und ±18 liegen, ist kein Rauschen; die nativen Stimmen von Drama 3 werden bevorzugt, und zwar deutlich. Ein Detail aus derselben Tabelle erklärt teilweise, warum: Artificial Analysis bewertete Ming gegen drei Arena-Stimmen und Drama 3 gegen acht.

Das zweite Board stellt eine andere Frage, und der Vorsprung verflüchtigt sich. Die Controlled Voice Arena gibt jedem System dieselben acht geklonten Stimmen — vier US, vier UK — sodass es bei dem Vergleich nicht mehr darum geht, wessen Sprecher besser sind, sondern darum, wie gut jedes Modell die Stimme eines anderen trägt. Dort erreicht Drama 3 1.085 Punkte, auf Platz 12 von 49, mit einem Intervall von 1.069 bis 1.101. Ming erreicht 1.068, auf Platz 17, mit einem Intervall von 1.053 bis 1.083. Die Intervalle überschneiden sich im Bereich von 1.069 bis 1.083. Das ist ein Gleichstand, und etwas anderes zu behaupten würde bedeuten, Präzision in eine Umfrage hineinzulesen, die sie nicht besitzt.

Beachten Sie außerdem, dass Artificial Analysis auf dieser Übersicht weiterhin eine separateDrama 3 Preview-Zeile mit 1.063 Punkten führt, die auf Platz zwanzig steht. Der Produktions-Checkpoint und die im September veröffentlichte Vorschau werden als zwei verschiedene Systeme bewertet, sodass ein Vergleich, der „Drama 3“ zitiert, ohne zu sagen, welche Zeile gemeint ist, kein Vergleich ist. Unsere Zahlen hier beziehen sich auf die Produktionszeile.

Die praktische Lesart: Wenn Ihr Produkt ein eigenes Sprecherensemble mitbringt – einen Erzähler, einen Support-Agenten, eine Ingame-Figur –, ist der Vorteil von Drama 3 echt und groß. Wenn Ihr Produkt die Stimme eines Kunden oder eines Creators klont und in dieser spricht, sind die beiden Modelle effektiv gleichauf, und die Entscheidung fällt stattdessen auf Preis, Lizenz und Sprachabdeckung.

Der Aussprache-Gleichstand bei 93,2 % besteht aus vier verschiedenen Ergebnissen.

Beide Modelle werden in dem Test von Artificial Analysis zur Robustheit der englischen Aussprache mit 93,2 % angegeben — das Ergebnis, das das Board am 20. Oktober veröffentlichte und das sie gemeinsam auf Platz 1 von 31 Systemen und vor Eleven v4 mit 91,7 % setzte. Diese Schlagzeile wurde überall wiederholt, und sie verbirgt den einzigen Teil, der operativ zählt: Die beiden Modelle scheitern an entgegengesetzten Arten von Text.

• Exakte Sequenzen – Ming bewahrt sie zu 90,6 %, Erster von 31; der entsprechende Wert von Drama 3 ist 86,3 %. Bestellnummern, URLs, Dateipfade und Seriencodes bleiben bei Ming besser erhalten.

• Kürzelauflösung — Ming 96,5 %, zudem Erster von 31, gegenüber 93,6 % für Drama 3. Datumsangaben, Einheiten und Abkürzungen werden laut ausgesprochen statt buchstabiert.

• Eigenständige Begriffe – Drama 3 mit 95,9 % gegenüber Ming mit 88,5 %, wobei Ming von 31 den 21. Platz belegt. Markennamen, Ortsnamen und Fachvokabular sind der stärkste Bereich von Drama 3.

Kontextuell passende Begriffe — Drama 3 mit 95,3 %, Ming mit 91,0 % und auf Platz 13 von 31.

Mings Schwäche bei eigenständigen Namen entspricht seinem Stimminventar: Das 0.5B-Modell bringt mehr als hundert integrierte chinesische Stimmen und fünf englische mit, daher hat sein Umgang mit englischen Eigennamen weniger zur Verfügung. Die Schwäche von Drama 3 ist das Spiegelbild – ein Modell, das darauf trainiert ist, eine Darbietung zu liefern, liefert manchmal eine Code-Nummer als Darbietung.

Keine der beiden 93,2 % stammt von einem Anbieter. Beide stammen aus derselben unabhängigen Testumgebung, weshalb sie überhaupt vergleichbar sind – und es lohnt sich zu erwähnen, dass das in dieser Kategorie selten ist, in der die meisten veröffentlichten Wortfehler-Tabellen von den Laboren mit ihren eigenen Prompts erhoben werden.

Was eine Million Zeichen tatsächlich kostet

Drama 3 rechnet nach Eingabegröße ab: 50 US$ pro Million UTF-8-Bytes, reduziert auf 10 US$ bis zum 12. November 2026, 09:00 Uhr pazifischer Zeit. Dieser Sprung um das Fünffache am 13. November ist die größte Einzelzahl in diesem Vergleich, und er verändert die Rangfolge der beiden Modelle bei den Kosten je fertiger Stunde – je nachdem, wann man sie liest.

Außerdem gibt es eine Abrechnungsfalle, die Sie kennen sollten, bevor Sie irgendetwas anbinden. Drama 3 behält denselben Endpunkt POST /v1/tts wie S2.1 Pro bei, und wenn der Modell-Header fehlt oder falsch geschrieben ist, greift die Anfrage stillschweigend auf s2.1-pro zurück und wird Ihnen auch dafür in Rechnung gestellt. Sie erhalten plausibles Audio und keine Fehlermeldung, sodass ein Tippfehler in einer Umgebungsvariable über Wochen unbemerkt bleiben kann, bevor jemand merkt, dass die Stimme falsch ist.

Ming hat überhaupt keine Rechnung, was nicht dasselbe ist wie kostenlos zu sein. Man zahlt mit GPU-Stunden und mit Entwicklungszeit: Der 0,5B-Checkpoint ist 2,96 GB groß, benötigt die Audio-VAE, einen CAM++-Sprecher-Encoder und einen Tokenizer, die miteinander verbunden werden müssen, und dahinter steht keine verbindliche Support-Zusage des Anbieters. Ant hat Benchmark-Tabellen und eine Gradio-Demo veröffentlicht, keine Service-Level-Vereinbarung.

Hier ist ein Router wirklich nützlich – und hier wirklich nicht. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter, sodass eine Anbieter-Aktion wie die von Fish Audio am selben Tag bei allem ankommt, was wir routen – Drama 3 gehört nicht dazu, und Ming ebenso wenig. Die Sprach-Endpunkte, die wir heute tatsächlich anbieten, sind Googles Gemini-TTS-Reihe und OpenAI TTS-1-HD, alle erreichbar über eine API hinter einem einzigen Schlüssel zusammen mit den Textmodellen. Wenn Sie Drama 3 und Ming vergleichen, wird keine Routing-Schicht einen der beiden für Sie hosten; was ein einziger Schlüssel bringt, ist der Rest der Pipeline drumherum.

Die Lizenz entscheidet mehr als die Rangliste.

MIT gegenüber der Fish Audio Community License v1.0 ist die schärfste Abzweigung in diesem Paar, und sie ist keine philosophische. Mings MIT-Bedingungen erlauben jedem Unternehmen jeder Größe, das Modell in ein kostenpflichtiges Produkt einzubetten, es weiterzuverkaufen, es feinabzustimmen und das abgeleitete Modell auszuliefern – ohne Umsatzschwelle und ohne Rücksprache mit Ant.

Die Lizenz für Drama 3 ist kostenlos für Forschung und nichtkommerzielle Arbeit, kostenlos für kommerzielle Nutzung, solange Sie und Ihre verbundenen Unternehmen unter 500.000 US-Dollar Jahresumsatz bleiben, und erfordert darüber hinaus eine ausgehandelte Lizenz – oder unabhängig von der Größe, wenn Sie Drama 3 als Text-to-Speech-, Klonierungs- oder Inferenzdienst anbieten möchten. Die FAQ der Modellkarte selbst ist klarer als die meisten: fertiges Audio für Kunden ist in Ordnung, eine konkurrierende Synthese-API nicht.

Ein Detail, das zu prüfen statt anzunehmen ist: Die Metadaten von Hugging Face für fishaudio/drama-3 lauten weiterhin fish-audio-research-license, während der Text der Modellkarte die Community License beschreibt. Wenn Sie die Person sind, die das Deployment freigibt, lesen Sie die Lizenzdatei im Repository, nicht das Tag.

Für ein Studio, das Hörspiele produziert, ist die 500.000-Dollar-Hürde unerheblich, und die Serviceklausel ist die Passage, die man lesen sollte. Für ein Unternehmen, das eine Sprachfunktion in ein Produkt oberhalb dieser Umsatzgrenze einbaut, ist Drama 3 ein Beschaffungsgespräch und Ming ein pip install.

Welches soll man wählen?

Support- oder Transaktionsstimme, Englisch oder Chinesisch. Ming. Es gewinnt die beiden Kategorien, die am wichtigsten sind, wenn ein Bot eine Bestellnummer oder eine Buchungsreferenz vorliest, es ist MIT, und es läuft auf Hardware, die Sie bereits haben. Das Unentschieden bei den geklonten Stimmen bedeutet, dass Sie dafür nicht auf Natürlichkeit verzichten.

Narration, Hörspiel, markenlastige Skripte, viele Sprachen.Drama 3. Der Vorsprung bei den Anbieterstimmen ist real, Eigennamen sind seine stärkste Kategorie, und 83 Sprachen gegenüber sieben sind keine Lücke, die man mit Prompt-Engineering schließt. Kalkulieren Sie die Preisanpassung im November ein und lesen Sie die Serviceklausel.

Eine Pipeline, die ohnehin schon mehrere Takes aufnimmt.Drama 3 – aber nur, wenn Sie die Überarbeitungsschleife tatsächlich nutzen. Fish Audio hat das Modell mit einem Reward-Modell für menschliche Präferenzen trainiert und bewirbt die mehrstufige Überarbeitung als den Weg zu der Leistung, die Sie sich wünschen; Ming ist ein Single-Shot-Modell ohne Überarbeitungsmechanismus, gegen den man das abwägen könnte, sodass die Take-Struktur ein Grund für Drama 3 und kein Grund für einen Vergleich der beiden ist.

Jedes Deployment, bei dem VRAM der Engpass ist.Ming, ohne Wenn und Aber. Ein 35B-Mixture-of-Experts-Modell, das auf H200s Benchmarks erzielt, ist kein Modell, das man betreibt, weil es bequem ist.

Was zu sehen

Drei Termine und eine Lücke. Am 13. November läuft der Aktionspreis für Drama 3 aus, und aus 10 US$ werden 50 US$ – eine Verfünffachung, die über Nacht jeden Kostenvergleich in dieser Kategorie neu ordnen wird. Beobachten Sie bis dahin, ob Artificial Analysis seine Zeilen für Drama 3 und Drama 3 Preview zusammenführt, denn ein Board, das ein Modell zweimal auflistet, lädt genau zu jener schlampigen Zitierweise ein, die dieser Artikel zu vermeiden versucht. Und achten Sie auf einen Score für Ming-3.0-tts-tiny: Die 7,9B-MoE-Variante ist die, die Ant tatsächlich für die Podcast-Generierung bewirbt, und derzeit gibt es nur Herstellerangaben – 0,820 % Wortfehlerrate bei Chinesisch, 6,000 % bei Koreanisch – hinter denen nichts Unabhängiges steht.

Die ehrliche Zusammenfassung ist, dass es sich hier nicht um zwei Versionen desselben Produkts handelt. Das eine ist ein kleines, freizügig lizenziertes Arbeitstier, das zufällig genau bei dem Text exzellent ist, der Sprachsysteme zum Scheitern bringt; das andere ist eine große, lizenzbeschränkte Performance-Maschine, die zufällig das am besten klingende offene Modell im Feld ist, wenn sie ihre eigene Besetzung nutzt. Der Vorsprung von 91 Punkten ist real. Er gehört nur zu einer Frage, die die meisten Produkte nie stellen.