GPT-Live-1 vs. Fish Audio Drama 3: Das eine kann man herunterladen, das andere nur mieten

Fish Audio Drama 3 Preview wird als 41,5 Gigabyte herunterladbarer Gewichte ausgeliefert, die Sie auf Ihrer eigenen GPU laufen lassen, inspizieren, feinabstimmen und weiter betreiben können, nachdem der Anbieter das Interesse verliert. GPT-Live-1 wird als URL ausgeliefert. Es gibt keine Gewichte zum Herunterladen, keinen lokalen Inferenzpfad und keine Möglichkeit, es überhaupt zu hören, ohne eine Sitzung gegen den OpenAI-v1/live/sessions-Endpunkt zu 0,05 US-Dollar pro Minute zu öffnen.

Das klingt wie ein Beschaffungsdetail. Es ist die Entscheidung. Eines dieser Modelle ist ein Asset mit angehängter Lizenz; das andere ist ein Dienst mit angehängtem Zähler, und die beiden verhalten sich völlig unterschiedlich, wenn Ihr Produkt eine Preisseite überdauert.

Was Drama 3 tatsächlich ist

Fish Audio hat Mitte Oktober 2026 Drama 3 Preview veröffentlicht: ein Text-to-Speech-Modell mit 35 Milliarden Parametern nach dem Mixture-of-Experts-Prinzip, bei dem pro Token rund 3 Milliarden Parameter aktiv sind, aufgebaut auf einem Qwen3.5-35B-A3B-Backbone. Es deckt 83 Sprachen ab, beherbergt bis zu 16 verschiedene Sprecher innerhalb einer einzigen Anfrage, klont Stimmen anhand kurzer Referenzen und akzeptiert Regieanweisungen in einfacher Sprache – sagen Sie ihm, eine Zeile solle resigniert klingen, fügen Sie ein Geräusch hinzu oder markieren Sie, welche Wörter sich ändern, und es setzt das um, statt es nur flach herunterzulesen.

Die Obergrenze für mehrere Sprecher ist das Feature, das kommerziell zählt. Ein Hörspiel mit zwei Sprecher:innen, ein Podcast mit Moderator:in und Gast, ein Schulungsvideo mit Erzähler:in und Kund:in – das ist jeweils ein API-Aufruf, nicht sechzehn zusammengeflickte Dateien mit unpassendem Raumklang.

Auf der Provider Voice Arena von Artificial Analysis, erfasst am 29. Oktober 2026, liegt Drama 3 Preview bei 1240 Elo, insgesamt auf Platz elf und an erster Stelle unter den Open-Weights-Einträgen, vor Breeze TTS 2 mit 1228. Fish meldet 93,2 % Ausspracherobustheit – der höchste zum Launch angegebene Wert und über den 91,7 %, die ElevenLabs für Eleven v4 meldet.

Was GPT-Live-1 tatsächlich ist

OpenAIs Modell ist ein Objekt der entgegengesetzten Art. Seit dem 10. September 2026 ist es für 0,05 US-Dollar pro Sprachminute abrufbar, sekundengenau abgerechnet, mit Audio und Text als Ein- und Ausgabe, unterstütztem Streaming und Function Calling – und strukturierten Ausgaben ausdrücklich nicht. Es ist Vollduplex: Es hört zu, während es spricht, und übergibt schweres Reasoning im Hintergrund an ein Textmodell.

Es hat kein Voice-Cloning-Produkt, keinen Mehrsprechermodus und keinen dokumentierten Weg, ein Skript zu nehmen und eine deterministische Audiodatei zurückzugeben. Was es hat, ist eine Konversation. Für einen Telefonagenten ist das genau richtig. Für eine Szene mit vier Figuren ist es kein schlechteres Werkzeug, es ist die falsche Kategorie von Werkzeug.

Die Nummer, die beide Seiten drucken

Ein Detail, das erwähnt werden sollte, weil es jeden verwirren wird, der Datenblätter vergleicht: Fish Audios Drama 3 und die Ming-3.0-TTS von Ant Group melden beide 93,2 % Ausspracherobustheit bei ein und derselben Messung von Artificial Analysis. Zwei verschiedene Labore, zwei verschiedene Architekturen, identisch bis auf die Nachkommastelle.

Das ist kein Copy-Paste-Fehler, und es ist kein Gleichstand. So sieht eine Obergrenze aus – die verbleibenden 6,8 % sind der harte Rest des englischen Texts: alphanumerische Sequenzen, ungewöhnliche Eigennamen, Zahlen, die im Kontext gelesen werden. Wer einen entscheidenden Aussprache-Vorteil zwischen den besten Open-Weights-Modellen behauptet, liest Rauschen. Die nützliche Frage ist, welche Fehlerfälle dein Inhalt tatsächlich enthält, und dafür musst du deinen eigenen Text testen, nicht eine Rangliste lesen.

Die Lizenz ist der Teil, den niemand liest.

Drama 3 hat offene Gewichte und ist kein Open Source im permissiven Sinne. Es wird unter der Fish Audio Community License v1.0 veröffentlicht: kostenlos für Forschung und nichtkommerzielle Arbeit, kostenlos für kommerzielle Nutzung bei einem Jahresumsatz unter 500.000 US-Dollar, und oberhalb davon ist eine separate Vereinbarung erforderlich. Für API-Hosting durch Dritte ist eine eigene Lizenz erforderlich, und Namensnennung ist vorgeschrieben.

Das ist eine angemessene Lizenz und eine echte Einschränkung. Daraus folgen drei Konsequenzen:

• Unterhalb der Umsatzlinie ist Self-Hosting wirklich kostenlos – Sie zahlen nur für Strom und GPU-Zeit und sonst nichts.

• Obendrein sind Sie wieder in einer Verhandlung, und der Vorteil „wir besitzen die Gewichte" schrumpft auf „wir können sie noch laufen lassen, während wir reden".

• Der Weiterverkauf des Zugangs an Ihre eigenen Kunden erfordert fast sicher die gesonderte Vereinbarung, unabhängig von Ihrem Umsatz.

Die Lizenz von GPT-Live-1 ist in dem Sinne einfacher, in dem ein Mietvertrag einfacher ist: Sie zahlen pro Minute, Sie nutzen sie, Sie hören auf. Keine Umsatzschwelle, keine Namensnennungsklausel, keine Verpflichtung, Ihre Kundenzahl offenzulegen. Diese Einfachheit ist etwas wert, und sie ist umso mehr wert, je kleiner Sie sind.

Was die Hardware tatsächlich kostet

Selbsthosting von Drama 3 benötigt bei FP8 rund 48 GB NVIDIA-Speicher, und davon entfallen etwa 41,5 GB auf die Gewichte. Eine H100 oder eine gemietete Instanz der A100-Klasse stemmt das; eine Consumer-Karte nicht, zumindest nicht komfortabel. Es folgen zwei Perspektiven.

Wenn Sie die GPU bereits besitzen, liegen die Grenzkosten der Synthese nahe null und der gehostete Preis wirkt absurd: Fish nennt 50 $ pro Million Zeichen, führt bis zum 12. November 2026 eine Startaktion mit 10 $ pro Million durch, und Artificial Analysis verzeichnet den Board-Preis mit 15 $. Eine zehnminütige Szene mit etwa 9.000 Zeichen kostet je nachdem, welcher dieser drei Beträge Ihnen tatsächlich berechnet wird, zwischen neun Cent und fünfundvierzig Cent.

Wenn Sie die GPU nicht besitzen, mieten Sie ohnehin eine, und der Vergleich wird zu GPU-Stunde gegen Millionen Zeichen. Bei typischen 2 US-Dollar pro GPU-Stunde erzeugt ein Modell, das zehnmal schneller als Echtzeit synthetisiert, etwa zehn Stunden Audio pro Mietstunde – bei normalem Sprechtempo rund 540.000 Zeichen. Das ergibt etwa 3,70 US-Dollar pro Million Zeichen, deutlich unter jedem gehosteten Preis in der Übersicht, aber nur bei dauerhafter Auslastung. Unterhalb von etwa 30 % Auslastung bringt die Miete nichts ein, und die Annahme zum Durchsatz ist genau das: eine Annahme, die Sie auf Ihrer eigenen Instanz messen müssen, nicht eine von Fish veröffentlichte Zahl.

Dagegen sind die Kosten von GPT-Live-1 linear und langweilig: 0,05 $ pro Minute, jede Minute, keine Fixkosten, kein Auslastungsrisiko. Zehn Minuten Gespräch kosten 0,50 $. Zehn Minuten Drama 3-Narration kosten etwa 0,135 $ zum erfassten Börsenpreis. Unterschiedliche Aufgaben, unterschiedliche Zähler – und bei einem davon gibt es Fixkosten, die sich amortisieren lassen.

Wo die Miete noch gewinnt

Compliance ist das leise Argument für das gehostete Modell. Die Gewichte von Drama 3 lassen sich kopieren, für das Produkt eines Wettbewerbers fine-tunen oder in einer Rechtsordnung weiterlaufen lassen, zu der Ihr Rechtsteam eine Meinung hat. GPT-Live-1 bietet Ihnen einen Endpoint, eine Rechnung und einen Anbieter, der das modellseitige Risiko trägt. Für ein reguliertes Unternehmen ist das nicht Faulheit; es ist eine Versicherungsprämie.

Die Latenzpolitik ist der zweite Punkt. Full-Duplex-Sprecherwechsel ist ein Verhalten, kein Prüfpunkt: Eine Runde von 0,8 Sekunden und 87 % Tool-Calling-Genauigkeit sind die Werte, die OpenAI für dieses Modell angibt, und beides sind Herstellerangaben statt unabhängiger Messungen. Dieses Verhalten lässt sich mit Drama 3 nicht herunterladen, denn Drama 3 versucht nicht, dich zu hören.

Und die Fehlerbehandlung ist der dritte Punkt. Ein herunterladbares Modell fällt aus, wenn Ihre GPU ausfällt. Ein gehostetes Modell fällt aus, wenn die GPU von jemand anderem ausfällt – ein anderes Risiko, nicht unbedingt ein schlechteres, und eines, gegen das man sich absichern kann.

Wo die Hecke hin soll

Die Absicherung gehört hinter die Voice-Schicht, nicht in sie hinein. Keines dieser Modelle wird von OrcaRouter bereitgestellt: Die Gewichte von Drama 3 sind nicht in unserem Katalog enthalten, und GPT-Live-1 hat genau einen Endpoint und keine kompatible Schnittstelle. Routingfähig ist der Reasoning-Teil, auf den ein Konversationsagent angewiesen ist – GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen – erreichbar über einen einzigen Schlüssel mit automatischem Failover, zu den Listenpreisen der Anbieter, mit 0 % Aufschlag weitergegeben.

Das ist der richtige Ort, um dein Redundanzbudget einzusetzen. Ein Ausfall der Sprachausgabe ist laut und offensichtlich; ein Ausfall des dahinterstehenden Textmodells ist der Fehler, der die Anrufqualität eine Woche lang stillschweigend ruiniert. Halte das Ohr an das Modell gebunden, das du gewählt hast. Halte das Gehirn austauschbar.

Die Entscheidung, jeweils in einem Absatz

Wähle Drama 3, wenn du Audio statt Dialoge produzierst: Szenen, Podcasts, Dubbing, Trainingsinhalte mit mehreren Sprecherrollen – und wenn du entweder unter der Umsatzschwelle liegst oder bereit bist, über ihr zu verhandeln. Das 35B-MoE, die Obergrenze von sechzehn Sprecherrollen und die 1240 Elo sind ein wirklich starkes Paket, und die Gewichte bedeuten, dass niemand es dir wegnehmen kann.

Wählen Sie GPT-Live-1, wenn es sich bei dem Produkt um ein Live-Gespräch handelt und der Wert in der Behandlung von Unterbrechungen liegt. Es ist teurer pro gelieferter Minute, es gibt Ihnen nichts, was Sie besitzen können, und es leistet das eine, was Drama 3 strukturell nicht kann: zuhören, während es spricht.

Die beiden stehen auf dem Datenblatt nebeneinander und liegen in der Nutzung meilenweit auseinander. Wer das eine kauft und erwartet, dass es die Aufgabe des anderen übernimmt, wird das Modell für schlecht halten – dabei wurde das Modell nie für diese Aufgabe vorgesehen.