Fish Audio Live 3 vs. Drama 3: Das eine Modell liest das Skript, das andere hört den Raum

Fish Audio Live 3 und Fish Audio Drama 3 sind nicht zwei Antworten auf dieselbe Frage, und sie als Rivalen zu behandeln, ist der schnellste Weg, das falsche Modell zu kaufen. Drama 3, das Fish Audio am 2026-10-13 veröffentlicht hat, ist ein Text-to-Speech-Modell: Man übergibt ihm Wörter und eine Regieanweisung, und es liefert Audio zurück. Live 3, angekündigt am 2026-11-10, ist ein Duplex-Sprachmodell für Agenten-Anrufe: Es hört zu, während es spricht, entscheidet, wann eine Pause „weitermachen“ und wann sie „ich bin fertig“ bedeutet, und kann laut Fish Audio in nur 186 Millisekunden reagieren. Das eine ist ein Renderer; das andere ist ein Gesprächspartner.

Die Verwirrung ist verständlich, denn beide sind Fish Audio-Modelle, beide sind neu, und beide werden damit beworben, gut in etwas zu sein, worin die anderen Fish Audio-Modelle nicht gut waren. Aber sie befinden sich auf unterschiedlichen Ebenen eines Voice-Stacks, sie werden getrennt dokumentiert, und nur eines von ihnen erscheint auf der veröffentlichten Preisliste von Fish Audio. Der sinnvolle Vergleich ist daher nicht, welches besser ist – sondern für welche Aufgabe jedes von ihnen tatsächlich gedacht ist und wo sie sich innerhalb eines Produkts treffen.

Was jedes Modell laut Dokumentation tut

Drama 3 ist ein Text-to-Speech-Modell, und die öffentlichen Belege dafür sind Präferenz und Aussprache statt Turn-Taking. In der Provider Voice Arena von Artificial Analysis liegt es mit einem Elo von 1.278 auf Platz sechs; in der Controlled Voice Arena, in der jedes Modell gegen dieselben Referenzstimmen bewertet wird, ist es mit 1.085 Zwölfter. In beiden Ranglisten ist es das am höchsten gerankte Open-Weights-Modell in der Tabelle, und der frühere Eintrag zu Drama 3 Preview – der, der im Oktober die Presse bekam – ist weiterhin separat mit 1.240 und 1.063 aufgeführt. Im English Pronunciation Robustness-Benchmark erzielt es insgesamt 93,2 %, gemeinsam mit Ming-3.0-tts auf dem ersten Platz unter 31 bewerteten Modellen, wobei die Aufschlüsselung nach Kategorien wichtiger ist als der Gesamtwert: 95,9 % bei alleinstehenden Begriffen wie Marken und technischen Namen, 93,6 % bei der Ausweitung von Kurzschreibweisen wie Zahlen und Datumsangaben, 86,3 % bei der Beibehaltung exakter Sequenzen wie Codes und Pfade und 95,3 % bei kontextuell angemessener Aussprache.

Die öffentlichen Belege von Live 3 haben eine völlig andere Form. Die Ankündigung von Fish Audio dreht sich um Konversation statt um Rendering, und alle drei ausgearbeiteten Beispiele betreffen das Timing.

• Eine Telefonnummer, die in Abschnitten vorgelesen wird – „415… 555… 0132“ – wobei Live 3 zwischen den Abschnitten möglicherweise „mm-hmm“ oder „okay, 415“ sagt und dann auf den Rest wartet.

• Ein Anrufer sagt „yeah“ oder „mm-hmm“, während der Agent die Öffnungszeiten vorliest, und Live 3 macht weiter, statt die Bestätigung als Unterbrechung zu behandeln.

• Ein Anrufer, der eine Bestellung mitten im Sprechen ändert – „zwei Pizzen … nein, drei. Drei große. Und … eigentlich, machen Sie eine davon zu einer Margherita“ – wobei Live 3 jede Korrektur abwartet, statt auf die erste plausible vollständige Bestellung zu reagieren.

Fish Audio gibt an, dass das Modell in nur 186 Millisekunden entscheiden kann zu antworten, wobei kurze Reaktionen wie „mm-hmm“, „okay“ und schnelle Bestätigungen statt vollständiger Antworten beschrieben werden. Zum Start spricht es nur Englisch und ist auf der Fish Agent Platform, über die API von Fish Audio und als On-Premises-Lösung für Unternehmen verfügbar. Es hat jedoch keinen veröffentlichten Benchmark, keinen unabhängigen Score – Artificial Analysis führt Stand 2026-11-11 keine Live-3-Duplex-Zeile – und keine Zeile auf der Preisliste von Fish Audio.

Warum die Preiseinheiten Ihnen sagen, dass es sich um unterschiedliche Produkte handelt

Fish Audio rechnet Drama 3 in UTF-8-Bytes des Eingabetexts ab: 50,00 US-Dollar pro Million Bytes zum Listenpreis, mit einer Einführungsaktion von 10,00 US-Dollar pro Million bis 2026-11-30. Die unternehmenseigene Dokumentation rechnet eine Million UTF-8-Bytes in ungefähr 180.000 englische Wörter bzw. etwa zwölf Stunden Sprachmaterial um – damit liegt drama-3 zum Listenpreis bei rund 4,17 US-Dollar pro Stunde generierten Audios und während der Aktion bei etwa 0,83 US-Dollar pro Stunde. Diese Einheit existiert, weil TTS eine ermittelbare Textmenge als Eingabe und eine ermittelbare Audiomenge als Ausgabe hat.

Live 3 passt überhaupt nicht zu dieser Einheit und fehlt in der Preisliste. Ein Duplex-Agent-Anruf hat kein festes Skript: Der Audioeingang ist alles, was der Anrufer sagt, der Audioausgang ist so viel, wie das Modell zu sagen beschließt, und die interessante Kostenposition sind Verbindungsminuten statt Textbytes. Fish Audio hat nicht veröffentlicht, nach welchem Maßstab abgerechnet wird, weshalb die Spalte „Live 3“ in jedem Kostenvergleich leer statt günstig ist.

Gemeinsam ist den beiden Modellen eine Plattform. Fish Audios Agent Platform, derzeit in der öffentlichen Beta, hostet Live-3-Agenten und stellt eine REST-Oberfläche unter /v1/agent/* bereit – mit JavaScript- und React-SDKs, Kanälen für ein Web-Widget, eine Telefonnummer oder einen benutzerdefinierten Client sowie Session-Token-Authentifizierung. Der Custom-LLM-Hook dieser Plattform verweist auf einen OpenAI-kompatiblen Endpoint – die Nahtstelle, an der eine Reasoning-Schicht Ihrer Wahl ansetzt.

Wo sie in einem Produkt zusammenkommen

Die interessante Frage ist nicht, welches Modell gewinnt, sondern wie ein einziges Produkt aussieht, wenn beide dafür eingesetzt werden, worin sie gut sind. Eine Buchungs-Hotline braucht Live 3 im Live-Anruf, denn im Gespräch entstehen Pausen und Korrekturen. Dasselbe Produkt braucht in der Regel auch Drama 3 oder ein ähnliches Modell für alles, was kein Gespräch ist: das nach dem Anruf vorgelesene Bestätigungsfeedback, die Voicemail-Begrüßung, die ausgehende Erinnerung, die langformatige Erzählung auf der Marketingseite, die den Anrufer dorthin gebracht hat. Das sind Render-Jobs mit einem bekannten Skript, und die veröffentlichten Stärken von Drama 3 – Präferenz unter Hörern, 93,2 % Aussprache, 83 Sprachen, die offenen Gewichte veröffentlicht unter der Fish Audio Community License v1.0 mit einer Umsatzobergrenze von 500.000 $ – sind genau die Stärken, die ein Render-Job braucht.

Diese Trennung hat eine Kostenfolge, die man klar benennen sollte, denn hier hört eine Routing-Schicht auf, eine Abstraktion zu sein. Die Reasoning-Schicht hinter einem Agenten auf Basis von Live 3 kann auf alles zeigen, was das OpenAI-Protokoll spricht; OrcaRouter steht hinter diesem Endpunkt mit 216 Modellen aus einem einzigen Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag und automatischem Failover bei Anbieterfehlern, sodass der Planer im Agenten ausgetauscht werden kann, ohne die Sprachschicht oder die Telefonnummer anzufassen. Eine Routing-DSL entscheidet, welches Modell welche Art von Anruf übernimmt, und Modellfusion ermöglicht es einem günstigen Modell, einen Tool-Aufruf zu entwerfen, während ein stärkeres ihn prüft, bevor er ausgelöst wird. OrcaRouter hostet weder Fish Audio Live 3 noch Drama 3 – beides ist über einen Drittanbieter-Endpunkt nicht verfügbar, und die Sprachschicht in diesem Stack bleibt bei Fish Audio. Was es hostet, ist alles rund um die Sprache.

Welches du tatsächlich brauchst

Sie brauchen Drama 3, wenn die Ausgabe eine Datei ist. Erzählung, Hörbücher, Werbung, Charakterstimme, Synchronisation, Vorlesen für Barrierefreiheit – alles, wo ein Mensch die Worte geschrieben hat und ein Hörer sie einmal hören wird, poliert. Es hat die Präferenzwerte, die Ausspracheaufschlüsselung, die Sprachanzahl und einen veröffentlichten Preis pro Byte, gegen den Sie planen können. Es ist außerdem Open Weights, was wichtig ist, wenn Sie es selbst betreiben möchten.

Sie brauchen Live 3, wenn die Ausgabe eine Konversation ist, die eine Unterbrechung überstehen muss. Telefonagenten, Buchungshotlines, Auftragsannahme, Support-Triage — überall dort, wo der Anrufer zurückspricht und das Fehlermuster darin besteht, übersprochen zu werden oder eine Ziffernfolge wiederholen zu müssen. Es hat ein Verhaltensargument, eine Latenzuntergrenze des Anbieters und eine Plattform, aber noch keinen Benchmark und keinen Preis.

Sie brauchen wahrscheinlich beides, wenn Sie ein Sprachprodukt statt einer Demo bauen, und die Trennung verläuft entlang der Grenze zwischen Live und gerendert. Der Fehler, den man vermeiden sollte, ist, eines auszuwählen, damit es die Aufgabe des anderen übernimmt: Ein TTS-Modell kann nicht entscheiden, wann es mit dem Sprechen aufhören soll, und ein Duplex-Agent-Modell ist eine teure und nicht evaluierte Möglichkeit, eine Voicemail-Begrüßung zu erzeugen. Fish Audio verkauft beides, die Abrechnungseinheiten unterscheiden sich absichtlich, und die Roadmap, die sie als ein Produkt behandelt, wird ihre eigenen Kosten ab dem ersten Monat falsch prognostizieren.