AssemblyAI-TTS-1 vs Fish Audio Drama 3: un botón de pago frente a una descarga de 41,5 GB

Lo primero que hay que entender sobre AssemblyAI-TTS-1 frente a Fish Audio Drama 3 es que uno de ellos es un archivo. Drama 3, publicado el 13 de octubre de 2026, es un modelo de voz de mezcla de expertos de 35 mil millones de parámetros publicado en Hugging Face como fishaudio/drama-3 —aproximadamente 41,5 GB de pesos antes de añadir un códec, y alrededor de 48 GB de VRAM para servirlo en FP8. AssemblyAI-TTS-1, disponible de forma general desde el 27 de octubre de 2026 a 15 $ por millón de caracteres, es un endpoint HTTPS en US-East o EU-North que responde en menos de una décima de segundo y no te pide nada más que texto. Cualquier comparación entre ellos que empiece por puntuaciones Elo está comenzando en el lugar equivocado, porque los dos productos están separados por una decisión operativa antes de que los separe una de calidad.

Qué se compra con $15, y qué se compra con 41.5 gigabytes

El lado de AssemblyAI-TTS-1 es breve de describir. Una tarifa plana de $15 por millón de caracteres de entrada que cubre las más de 4,000 voces de la biblioteca, clonación instantánea a partir de una muestra de 24 segundos, marcas de tiempo por palabra, seis idiomas de lanzamiento (inglés, español, francés, alemán, italiano, portugués), procesamiento en EE. UU. o en la UE, endpoints WebSocket y HTTP más una ruta compatible con OpenAI, un mensaje de cancelación para interrupciones (barge-in), y concurrencia ilimitada sin ningún cargo asociado. Sin SSML, sin parámetro de velocidad, sin diccionario de pronunciación, sin etiquetas de emoción, sin nivel de clonación profesional.

El lado Drama 3 es una forma de producto completamente distinta. Es un MoE de 35B con unos 3 mil millones de parámetros activos por token, inicializado a partir de Qwen3.5-35B-A3B, 40 capas, 8 de 256 expertos enrutados más uno compartido — lo que explica por qué puede sonar expresivo y aun así caber en un único acelerador. Cubre 83 idiomas, clona voces, maneja hasta 16 hablantes en una sola pasada y acepta indicaciones escénicas en lenguaje natural entre corchetes, como [sighs], que el modelo ejecuta. Además, según la propia ficha de modelo de Fish, está diseñado para interpretaciones dirigidas: doblaje, narración y escenas con múltiples personajes. El bucle telefónico de menos de 100 ms no es para lo que fue ajustado.

Esa distinción no es una crítica a ninguno de los dos. Es la razón por la que la comparación existe: Drama 3 es el único modelo de esta serie que puedes adquirir en propiedad, y AssemblyAI-TTS-1 es el único de esta serie que puedes poner delante de una persona que llama esta tarde sin comprar una GPU.

La matemática de la concurrencia es el verdadero argumento

Ambos proveedores publican una cifra de latencia y ninguna es directamente comparable, así que trate lo siguiente como dos afirmaciones separadas en lugar de una comparación directa.

• Drama 3, ficha técnica del proveedor: mediana de 88,9 ms hasta el primer audio en un único flujo sobre un solo H200, factor de tiempo real de 0,131, 271 fotogramas por segundo. El soporte de servicio llegó en cuestión de días tras el lanzamiento, y el mismo hardware mantiene una mediana de 255 ms hasta el primer audio con 128 flujos concurrentes, o aproximadamente 222 segundos de audio por segundo de reloj.

• AssemblyAI-TTS-1, laboratorio del proveedor — 47 ms de mediana en el tiempo hasta el primer byte; medido de forma independiente por Cekura en 159 ms de mediana en el inicio de streaming y 296 ms en p90, con 162 caracteres por segundo de rendimiento según la medición de Artificial Analysis.

Fíjate en lo que ocurre con la cifra de Drama 3 a medida que aumenta la carga: 88,9 ms por sí sola, 255 ms con 128 streams. Es una curva perfectamente aceptable para un pipeline de doblaje y marginal para un centro de llamadas, donde cada milisegundo antes de que la persona que llama oiga algo es un milisegundo de silencio. El contraargumento de AssemblyAI no es una cifra más rápida, sino la ausencia de una curva: concurrencia ilimitada a una tarifa plana, porque el problema de planificación es del proveedor y tú nunca lo ves. Que esa promesa sobreviva a tu propio tráfico es exactamente lo que hay que probar, ya que una afirmación de concurrencia ilimitada sin un comportamiento de colas publicado es una afirmación sobre el clúster de otra persona.

Dos facturas que no están en las mismas unidades

Fish ofrece Drama 3 a $50.00 por millón de bytes UTF-8, lo que la propia documentación del proveedor equipara a aproximadamente doce horas de habla — alrededor de $4.17 por hora de audio. Hay una promoción de lanzamiento a $10.00 por millón de bytes, aproximadamente $0.83 por hora, vigente hasta el 12 de noviembre de 2026. AssemblyAI-TTS-1 a $15 por millón de caracteres equivale a aproximadamente $0.81 por hora de habla, usando el mismo supuesto generoso de aproximadamente 900 caracteres por minuto de audio conversacional normal.

Así que durante la promoción los dos tienen precios que difieren en menos de un error de redondeo, y a precio de lista Fish es aproximadamente cinco veces más caro por hora de salida, y eso es antes de comprar la H200. El autoalojamiento no elimina el coste: convierte una factura por carácter en una factura por hora de GPU más una persona que sepa cómo servirlo.

Merece la pena nombrar dos trampas, porque caer en ellas sale barato.

• Los caracteres no son bytes. Fish factura por byte UTF-8, AssemblyAI por carácter. El texto en inglés ronda un byte por carácter, así que ambos parecen comparables; los sistemas de escritura japonés, árabe o con muchos emojis inflan el recuento de bytes y aumentan discretamente la factura de Drama 3 entre un 30 y un 100 % con el mismo guion.

• Que falte el encabezado del modelo no provoca un fallo evidente. La propia documentación de Fish señala que un identificador de modelo ausente o mal escrito acaba recurriendo a s2.1-pro a $15.00 por millón de bytes —un recargo del 50 % sobre la tarifa promocional de Drama 3, para un modelo distinto, sin que aparezca ningún error en la respuesta.

Hay un tercer número en circulación y vale la pena nombrarlo porque te lo encontrarás en una tabla de clasificación. La columna de precios de Artificial Analysis registra Drama 3 a $15.0 por millón de caracteres, lo que no cuadra con los $50 por millón de bytes de Fish ni con los $10 promocionales. Tres cifras —lista, promoción, normalización de la tabla— y solo las dos primeras proceden del proveedor. La cifra de la tabla es una unidad de comparación, no una cotización.

El control de licencia al final de la publicación

Drama 3 no es de código abierto en el sentido que asume la mayoría de los equipos. Se distribuye bajo la Fish Audio Community License v1.0: el uso comercial es gratuito por debajo de US$500,000 de ingresos anuales, por encima de esa cifra se aplica una licencia separada, y revender el modelo como una API TTS alojada requiere su propio acuerdo independientemente del tamaño. Artificial Analysis lo registra como pesos abiertos sin derechos plenos de uso comercial, que es la descripción precisa.

AssemblyAI-TTS-1 no tiene esa barrera porque no tiene pesos: no puedes autoalojarlo, afinarlo ni seguir ejecutándolo si el proveedor cambia sus precios. Esa es la contrapartida que nadie pone en una tabla comparativa: la licencia de Drama 3 limita lo que puedes hacer con el modelo, y la arquitectura de AssemblyAI-TTS-1 limita lo que puedes hacer sin el proveedor.

La brecha de calidad, dicha una vez

En Provider Voice Arena de Artificial Analysis —consultado el 30 de octubre de 2026, por lo que es la misma ejecución para ambos—, Drama 3 ocupa el sexto puesto con 1.278 de Elo y AssemblyAI-TTS-1 el decimocuarto con 1.227. En Controlled Voice Arena, Drama 3 es duodécimo con 1.085 y AssemblyAI-TTS-1 décimo con 1.110, lo que invierte el orden y muestra que los dos tableros miden cosas diferentes: voces estándar en el primero, fidelidad de clonación frente a una referencia fija en el segundo. Drama 3 es el mejor clasificado de los dos en voz natural, y ambos están dentro del ruido estadístico entre sí una vez que se mantiene constante la grabación de referencia.

El número que más nítidamente los separa es la robustez de pronunciación, donde Drama 3 lidera la tabla de forma indiscutible: las fuentes sitúan la cifra en algún punto entre aproximadamente el 93% y el 95%, según cuándo se leyó la página, así que considera la clasificación como el hecho y el decimal como adorno. AssemblyAI-TTS-1 obtiene un 81,7% en la misma prueba, en decimosexto lugar, con su subpuntuación más débil en la expansión de abreviaturas, un 73,8%. Si tu entrada está llena de abreviaturas, Drama 3 las gestiona sin necesidad de diccionario. Si tu entrada es un número de teléfono leído en voz alta, la prueba independiente de Cekura sitúa a AssemblyAI-TTS-1 en primer lugar de su campo con un 91,7% exactamente en esa categoría.

Ningún benchmark propio de ninguno de los dos proveedores debería interpretarse como independiente. La precisión por palabra del 99,0 % de AssemblyAI, el MOS previsto de 3,85 y la puntuación TTSDS de 85,5 provienen de su propio harness sobre sus propios conjuntos reservados; los 88,9 ms y 271 fotogramas por segundo de Fish provienen de su propia tarjeta de modelo. Las mediciones de terceros —Artificial Analysis, Cekura, Coval— son las únicas en este artículo que fueron producidas por alguien que no tiene ningún producto que vender.

Elige por lo que puedas operar, no por lo que esté mejor clasificado.

Hay exactamente tres situaciones en las que Drama 3 es la respuesta correcta. Necesitas una actuación expresiva y dirigida, con acotaciones y varios hablantes en una sola pasada; no hay duda, AssemblyAI-TTS-1 no tiene equivalente. Necesitas un idioma fuera de los seis con los que se lanzó AssemblyAI: 83 frente a 6, y ahí termina la comparación. O necesitas el modelo en tu propio hardware por motivos de residencia de datos que una región de proveedor de EE. UU. o de la UE no satisface, lo cual es un requisito real para algunas cargas de trabajo reguladas y el único que justifica la GPU.

Todos los demás están comprando un agente telefónico, y un agente telefónico quiere una factura fija, no hacer cola detrás del H200 de otro, y un problema de pronunciación que pueda resolver. AssemblyAI-TTS-1 te da las dos primeras cosas y todavía no te da la tercera. Esa es la forma honesta de decirlo: Drama 3 es el mejor modelo y el peor producto para esta tarea.

El compromiso práctico al que llegará la mayoría de los equipos es usar ambos: Drama 3 para el audio generado que publicas como contenido, AssemblyAI-TTS-1 para el habla turno a turno en el bucle en vivo, con una ruta de respaldo entre ellos. Mantener un segundo proveedor de TTS conectado es la misma disciplina que OrcaRouter aplica a la parte de modelos de lenguaje de esa pila: una API para más de 200 modelos al precio de lista del proveedor con 0% de margen, conmutación automática cuando un proveedor se degrada, y un DSL de enrutamiento que permite que un solo endpoint sirva varios modelos en lugar de varios contratos. Ninguno de estos dos modelos de voz está hoy en el catálogo de OrcaRouter —las rutas de voz que ofrecemos son la familia tts-1 de OpenAI y las vistas previas de Gemini TTS de Google—, así que interpreta eso como la forma del argumento y no como una sugerencia de que puedes comprar Drama 3 aquí.

Qué cambiaría este veredicto: que Fish publique una curva de concurrencia que se mantenga por debajo de 150 ms con el volumen de un centro de llamadas, o que AssemblyAI añada un diccionario de pronunciación y cuatro idiomas más. Esté atento primero a lo segundo. Es un cambio de configuración, y la empresa que lanzó una tarifa plana de 15 $ ya ha demostrado que prefiere competir en la factura.