Fish Audio Drama 3 vs. VoxCPM2: Ein Leaderboard gegen ein Datenblatt

Fish Audio Drama 3 hat einen Elo-Wert, VoxCPM2 nicht – was den naheliegenden Vergleich zwischen beiden unmöglich und den interessanten leicht zu übersehen macht. Drama 3, am 13. Oktober 2026 angekündigt und seitdem von Artificial Analysis bewertet, belegt mit 1.278 den sechsten Platz von 100 in der Provider Voice Arena. VoxCPM2 hat keine Zeile auf irgendeiner der Sprach-Ranglisten von Artificial Analysis und fehlt in beiden auf dieser Seite genannten Arenen. Was beide Labs veröffentlichen, ist Seed-TTS-eval, und dort sagen die Zahlen etwas, das ein einzelnes Ranking nicht sagen könnte: Im jeweils eigenen Lauf des Anbieters braucht Drama 3 zwei Durchgänge, um den einen von VoxCPM2 zu schlagen. Bei der Wahl zwischen diesen beiden Modellen geht es nicht wirklich um Qualität. Es geht darum, ob man eine Performance-Engine möchte, die man pro Zeichen mietet, oder ein Modell mit zwei Milliarden Parametern, das man selbst in der Hand hat.

Der eine hat eine Elo-Zahl, der andere ein Datenblatt.

Die Asymmetrie sollte man klar benennen, denn die meisten Vergleichsseiten gehen stillschweigend darüber hinweg. Drama 3 ist auf jedem Board vertreten, das zählt: Sechster von 100 in der Provider Voice Arena bei 1.278, Zwölfter von 49 in der Controlled Voice Arena bei 1.085, geteilter Erster von 31 bei der Robustheit der englischen Aussprache mit 93,2 %. VoxCPM2 erscheint auf keinem davon.

Diese Abwesenheit ist kein Skandal, und sie ist auch nicht neu. VoxCPM2 ist seit Frühjahr 2026 verfügbar – die Projekt-Dokumentation datiert die 2.0-Reihe auf März, das Repository taggt sie als 2026.04, und der technische Bericht erschien im Juni als arXiv:2606.06928 – und in all dieser Zeit hat es niemand in eine Blindhör-Arena gestellt. Die wahrscheinlichste Erklärung ist langweilig: Arena-Plätze werden üblicherweise von Anbietern besetzt, die einen gehosteten Endpunkt bewerben wollen, und OpenBMB bietet keinen an. VoxCPM2 liefert Gewichte auf Hugging Face und ModelScope sowie einen OpenAI-kompatiblen /v1/audio/speech-Server über vLLM-Omni – und das ist die ganze Vertriebsgeschichte.

Die ehrliche Position ist also diese: Wir können Drama 3 mit einem Score vergleichen oder die beiden Modelle miteinander vergleichen. Wir können nicht beides gleichzeitig tun, und jede Seite, die ein Elo für VoxCPM2 gegen Drama 3 präsentiert, erfindet einen solchen Vergleich.

Die eine Achse, die beide veröffentlichen

Seed-TTS-eval ist so ziemlich das, was in diesem Feld einem gemeinsamen Maßstab am nächsten kommt, und beide Labore berichten darüber. Der Haken: Keines der beiden veröffentlicht eine vollständige Tabelle im selben Format, sodass im Folgenden zwei Anbieter sich selbst messen.

• Englische Wortfehlerrate — Drama 3 meldet 1,54 % bei einem finalen Take und 2,20 % bei seinem ersten Take; VoxCPM2 meldet 1,84 % in einem einzigen Durchlauf. Der fertige Take von Drama 3 ist der beste der drei Werte, und sein erster Take ist der schlechteste.

• Fehlerrate für Chinesisch — Drama 3 bei 0,83 % CER bei einem finalen Take, 1,00 % beim ersten; VoxCPM2 bei 0,97 % CER. Gleiches Muster, wobei Drama 3 mit dem finalen Take vorn liegt und beim ersten etwa gleichauf.

• Sprecherähnlichkeit — Drama 3 meldet 0,640 für Englisch (Skala 0–1); VoxCPM2 meldet 75,3 für Englisch und 79,5 für Chinesisch, was nach der an anderer Stelle in seinem Bericht verwendeten 0–100-Konvention 0,753 und 0,795 entspricht. Gemessen an seinen eigenen Zahlen ist VoxCPM2 der stärkere Kloner.

• Breitere Stressabdeckung — VoxCPM2 veröffentlicht außerdem CV3-eval-Fehlerraten über elf Sprachen (3,65 % zh, 5,00 % en, 8,55 % hard-zh, 9,85 % fr, 4,25 % it, 5,21 % ru) sowie einen internen 30-Sprachen-Durchschnitt von 1,68 %. Drama 3 veröffentlicht keine entsprechende Fehlertabelle pro Sprache, sodass es nichts gibt, was man ihnen gegenüberstellen könnte.

Nimm die Ähnlichkeitslücke ernst und die Wortfehlerlücke eher leicht. Die Sprecherähnlichkeit ist die Kennzahl, die einen Unterschied im Harness am ehesten übersteht, denn sie ist eine Kosinusdistanz zwischen Embeddings desselben Referenzaudios. Wortfehlerraten hängen von der Normalisierung, der Textvorverarbeitung und davon ab, welche Referenzclips verwendet wurden, und die beiden Labore mussten sich auf nichts davon einigen. Die Richtung ist glaubwürdig – VoxCPM2 klont originalgetreuer, Drama 3 transkribiert nach der Überarbeitung genauer –, aber die Größenordnungen sind kein Messwert.

Die Revisionssteuer, die niemand in die Schlagzeile schreibt

1,54 % und 2,20 % sind dasselbe Modell im selben Test; sie unterscheiden sich nur darin, ob die Aufnahme beim ersten Mal akzeptiert wurde. Der technische Bericht von Fish Audio ist diesbezüglich ungewöhnlich ehrlich: Er gibt beide Werte an, weil die Überarbeitung mit mehreren Aufnahmen das Produkt ist. Das Versprechen lautet: Man weist eine Zeile in einfacher Sprache an, hört zu, lenkt neu und behält die Aufnahme, die man möchte – und der Benchmark spiegelt das Behalten wider.

Wenn Ihre Pipeline so funktioniert, ist 1,54 % die Zahl, die Sie sehen werden. Wenn Sie einen einzelnen Durchlauf in einen Live-Anruf streamen, eine Dialogzeile in einem Spiel oder einen Batch-Render ohne menschliches Eingreifen, bekommen Sie die 2,20 % – schlechter als VoxCPM2 mit 1,84 % im Single-Pass. Diese Umkehrung ist die nützlichste Tatsache in diesem Vergleich und die, die keine der beiden Anbietertabellen offensichtlich macht. Sie bepreist außerdem den Workflow: Jeder zusätzliche Take ist eine weitere vollständige Synthese, und Drama 3 rechnet nach Eingabezeichen ab, sodass eine Gewohnheit von drei Takes die Rechnung verdreifacht.

VoxCPM2 hat keinen Revisionsmechanismus dieser Art. Es bietet vier Generierungsmodi – Zero-Shot, Fortsetzung, nur Referenz sowie kombinierte Referenz plus Prompt-Audio – und seine Antwort auf einen misslungenen Take ist, erneut mit anderen Style-Tags zu rendern. Pro Versuch günstiger, weil Sie nicht pro Zeichen zahlen, aber ohne Erinnerung auf Modellebene an den verworfenen Take.

Die Hardware-Untergrenze ist die eigentliche Entscheidung.

Hier hören die beiden Modelle auf, Substitute zu sein.

VoxCPM2-Speicherbedarf – etwa 8 GB VRAM, ein Echtzeitfaktor von rund 0,30 auf einer RTX 4090 und 0,13 mit Nano-VLLM; das Projekt meldet außerdem 1,76 bei Q8_0 auf einem Apple M4 Pro über llama.cpp-omni. Es läuft auf einer Workstation.

• Drama-3-Footprint – Fish Audio veröffentlicht keinen VRAM-Mindestwert. Die Durchsatz-Tabelle wurde auf H200s gemessen: 166,7 Frames pro Sekunde und 88,9 ms Median bis zum ersten Audio bei einem gleichzeitigen Stream, 927,6 Frames/s bei sechzehn, 1.687 Frames/s bei vierundsechzig, mit einer RTF von 0,131 bei der Einzelstream-Einstellung. Reviewer beziffern die bf16-Anforderung auf eine 48-GB-Karte, und Community-4-Bit-Builds nennen grob 32 GB. Es läuft auf einem Server oder auf dem von jemand anderem.

• Durchsatz-Vorbehalt — der Launch-Post nennt 271 Bilder pro Sekunde von einer einzelnen H200, während die Streaming-Tabelle der Model Card bei einer Anfrage maximal 166,7 erreicht. Beides kann bei unterschiedlichen Messaufbauten zutreffen, aber das bedeutet, dass die in der Überschrift genannte Geschwindigkeitszahl nicht diejenige ist, die Ihr Lasttest reproduzieren wird.

Die Rechnung folgt. Eine Million Zeichen entsprechen bei üblichem Erzähltempo ungefähr fünfzehn bis zwanzig Stunden fertiger Sprachausgabe. Auf einer 4090 mit einem RTF von 0,30 sind das fünf bis sechs Stunden GPU-Zeit; über Fish Audios API sind es 10 US$ während der Einführungspromotion und 50 US$ nach deren Ende am 12. November. Das Selbsthosting von VoxCPM2 ist pro Stunde Audio günstiger und pro Stunde Experimentieren weitaus günstiger — man kann einen Nachmittag lang an einem Stimmdesign iterieren, ohne auf einen Zähler zu schauen.

Routing löst diese Entscheidung nicht auf, daher lohnt es sich, genau zu bestimmen, was es bewirkt. OrcaRouter hostet keines der beiden Modelle; Drama 3 ist über Fish Audios eigene API und mehrere Drittanbieter-Plattformen verfügbar, und VoxCPM2 ist als Gewichte verfügbar, die Sie selbst bereitstellen. Was wir abdecken, ist die Sprachseite der Pipeline um sie herum – Gemini-TTS-Linie und OpenAIs TTS-1-HD, mit automatischem Failover zwischen Anbietern, sodass ein gehosteter Endpunkt, der ausfällt, das Produkt nicht mit herunterzieht. Wenn die Frage lautet „Welches der beiden soll ich betreiben?“, entscheidet der VRAM, nicht das Routing.

Eine Aufführung inszenieren versus eine Stimme gestalten

Die beiden Modelle sind sich Uneins darüber, wo die kreative Arbeit stattfindet, und diese Uneinigkeit ist architektonisch und nicht kosmetisch.

Drama 3 ist ein Werkzeug für Regisseure. Sie schreiben Anweisungen in eckigen Klammern vor die Wörter, für die sie gelten — [ergriffen, leise weinend] — und ändern sie mitten im Satz. Gepaarte Tags begrenzen eine Anweisung auf bestimmte Wörter: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Die Aussprache kann Laut für Laut mit CMU Arpabet, Pinyin oder Romaji festgelegt werden, und Szenen übernehmen eine Voice-ID pro Sprecher als Array. Mehrere Takes lassen sich unter Bezugnahme auf frühere Takes überarbeiten, und wortgenaues Inpainting rendert ein einzelnes markiertes Wort neu, damit es zum umgebenden Take passt — wobei sowohl die interaktive Bearbeitung als auch das Inpainting sich noch in einer Testphase nur auf Einladung befinden und eine Bearbeitungs-API als in Kürze verfügbar angekündigt ist.

VoxCPM2 ist ein Design-Tool. Sein Hauptmerkmal ist Voice Design: Beschreiben Sie eine Sprecherin oder einen Sprecher in natürlicher Sprache, und Sie erhalten eine Stimme ganz ohne Referenzaudio. Darüber hinaus bietet es Zero-Shot-Cloning, Fortsetzung aus einem Prompt, Cloning nur anhand einer Referenz mit einem isolierten Referenzkanal (sodass Sie kein zur Audioclip passendes Transkript benötigen) sowie Stilsteuerung über Tags. Die Einschränkung liegt im Umfang: Es formt eine Stimme und eine Sprechweise, nicht eine Szene. Es gibt keine Sprecher-Array-Syntax, keinen Mehrfiguren-Dialogmodus und keine Reparatur auf Wortebene.

Bei einem Hörspiel mit zwei Darstellern entscheidet dieser Unterschied noch vor jedem Benchmark. Für ein Produkt, das über einen Katalog hinweg eine einheitliche Markenstimme braucht, ist der Design-Modus von VoxCPM2 der kürzere Weg, während die Regie-Syntax von Drama 3 überwiegend Overhead ist.

Abtastrate, Sprachen und das Codec-Argument

• Ausgabe — VoxCPM2 gibt 48 kHz über ein asymmetrisches AudioVAE V2 aus, das mit 16 kHz kodiert und mit 48 kHz dekodiert; Drama 3 bleibt bei 44,1 kHz und erzeugt über einen Descript Audio Codec mit zehn Codebooks bei etwa 21,5 Frames pro Sekunde. Die zusätzlichen 3,9 kHz von VoxCPM2 sind real, aber neben einem komprimierten Auslieferungsformat selten hörbar.

• Architektur — VoxCPM2 ist bewusst ohne Tokenizer konzipiert, sagt kontinuierliche Latents direkt auf einem MiniCPM-4-Backbone voraus und argumentiert, dass der Audio-Codec der Engpass ist; Drama 3 behält diskrete Tokens bei und investiert seine 35B in einen Codebook-Multi-Token-Prediction-Decoder, der nach den ersten zwei die neun Residual-Codebooks vorhersagt. Zwei Wetten darauf, wo die Qualitätsdecke liegt.

• Sprachen — 83 werden für Drama 3 beansprucht, gegenüber 30 für VoxCPM2 plus neun chinesischen Dialekten (Sichuanesisch, Kantonesisch, Wu, Nordostchinesisch, Henan, Shaanxi, Shandong, Tianjin, Minnan). Wenn Sie Thailändisch, Vietnamesisch, Hebräisch und Suaheli brauchen, hat VoxCPM2 alle vier, und Drama 3 ist bei keiner davon offensichtlich besser; wenn Sie 83 brauchen, ist nur eines davon im Gespräch.

• Trainingsdaten — VoxCPM2 wurde auf 2,36 Millionen Stunden Sprache trainiert (1,8 Mio. Chinesisch und Englisch plus 560K mehrsprachig), eine Zahl, die in seiner Dokumentation präzise veröffentlicht wird. Fish Audio veröffentlicht keine vergleichbare Angabe, was weniger eine Kritik ist als vielmehr ein weiterer Punkt, an dem die beiden Papers nicht für einen Vergleich geschrieben sind.

Die Lizenz: der eine Punkt, an dem VoxCPM2 klar gewinnt

VoxCPM2 ist Apache 2.0. Jedes Unternehmen kann es unabhängig vom Umsatz einbetten, ändern, feinabstimmen, weiterverbreiten und die Ergebnisse verkaufen – ohne Mindestumsatzschwelle und ohne Verhandlungen. LoRA- und SFT-Fine-Tuning werden unterstützt und dokumentiert.

Drama 3 steht unter der Fish Audio Community License v1.0: kostenlos für Forschung und nichtkommerzielle Arbeit, kostenlos für kommerzielle Nutzung, solange Sie und Ihre verbundenen Unternehmen unter 500.000 US$ Jahresumsatz bleiben, und darüber hinaus eine ausgehandelte Lizenz – oder bei jeder Größenordnung, wenn Sie Drama 3 als TTS-, Voice-Cloning- oder Inferenzdienst anbieten möchten. Fertiggestelltes Kunden-Audio ist bei jedem Umsatz ausdrücklich erlaubt; eine konkurrierende Synthese-API nicht. Artificial Analysis kennzeichnet es als „offene Gewichte ohne kommerzielle Nutzungsrechte“, was eine faire Ein-Satz-Zusammenfassung der Zugangshürde ist.

Es gibt außerdem ein Detail, das man prüfen sollte, statt ihm zu vertrauen: Die Hugging-Face-Metadaten für fishaudio/drama-3 geben weiterhin fish-audio-research-license an, während der Text der Modellkarte die Community License beschreibt. Lies die Lizenzdatei im Repository, bevor du ein Produkt auf der Tag-Angabe aufbaust.

Für ein finanziertes Unternehmen, das ein Sprachfeature ausliefert, ist das der ganze Vergleich in einer Zeile: VoxCPM2 kostet dich nichts bei der rechtlichen Prüfung, Drama 3 kostet dich ein Gespräch mit einem Vertriebsteam.

Wähle nach Einschränkung, nicht nach Punktzahl.

Du hast eine GPU und ein Produkt, das ausgeliefert werden muss. VoxCPM2. Acht Gigabyte, Apache 2.0, 48 kHz und ein Voice-Design-Modus, mit dem du schon am ersten Nachmittag zu einer brauchbaren Markenstimme kommst. Dafür verzichtest du auf Szenenregie und den besten Provider-Voice-Score der Kategorie.

Sie erstellen skriptbasiertes Audio mit einem Human-in-the-Loop.Drama 3. Regieanweisungen in eckigen Klammern, Tags mit Gültigkeitsbereich, Wechsel mitten im Satz und Korrekturen auf Wortebene sind für offene Gewichte das Nächstliegende zu einer Aufnahmesession, und die englische WER von 1,54 % ist das, was die Revisionsschleife einbringt. Kalkulieren Sie die Preisänderung vom 12. November ein, und lesen Sie zuerst die Serviceklausel.

Sie brauchen eine Sprache außerhalb der dreißig. Drama 3, oder keins von beidem – aber prüfen Sie die jeweilige Sprache anhand der eigenen Abdeckungsangaben von Fish Audio statt der „83“ auf der Verpackung.

Du klonst die Stimme einer bestimmten Person im großen Maßstab. Die Sprecherähnlichkeit von VoxCPM2 ist der beste Wert auf dieser Seite, und ihr isolierter Referenzkanal bedeutet, dass du aus einem Clip klonen kannst, ohne passendes Transkript. Der Vorteil von Drama 3 liegt in der Regie, nicht in der Treue zu einer Referenz.

Das Einzige, was man nicht tun sollte, ist, sie in eine Rangfolge zu bringen. Es gibt keine gemeinsame Arena, keine gemeinsame Studie zu menschlichen Präferenzen und keinen gemeinsamen Fehler-Harness – nur ein Modell mit einem Elo und eines mit einem Datenblatt, und eine Entscheidung, die davon abhängt, welche Hardware man besitzt und was die Lizenz einem damit zu tun erlaubt.