Fish Audio Drama 3 ahora domina ambas arenas de voz a la vez — y ninguna de las cifras es la que viste la semana pasada

La clasificación contiene dos registros para un mismo producto. Fish Audio Drama 3 ocupa el sexto puesto en el Artificial Analysis Provider Voice Arena con un Elo de 1.278 y el duodécimo en el Controlled Voice Arena con 1.085, y en ambas tablas es el modelo de pesos abiertos mejor clasificado. El registro etiquetado Fish Audio Drama 3 Preview — el que acaparó la prensa cuando Fish Audio lo publicó el 2026-10-13 — sigue apareciendo por separado, con 1.240 y 1.063. Eso supone una diferencia de 38 puntos en una tabla y de 22 en la otra, para lo que la propia página de producto del proveedor describe como un único modelo bajo dos nombres. Si has citado un Elo de Drama 3 en las últimas dos semanas, este es el artículo que te dice cuál de los dos estabas citando.

Lo que las juntas realmente dicen hoy

Ambas cifras se leyeron de Artificial Analysis el 29/10/2026, y ambas traen el mismo precio de $15,00 por millón de caracteres registrado en el ranking, así que la brecha de 38 puntos no es un cambio de precio: son dos evaluaciones de dos estados archivados del mismo modelo. Las clasificaciones de voces de proveedores situadas por encima de Drama 3 son todas sistemas cerrados: Eleven v4 Turbo con 1.336 y $40,00, Eleven v4 con 1.334 y $80,00, Qwen-Audio-3.1-TTS-Plus con 1.305 y $19,30, Cartesia Sonic 3.6 con 1.296 y $49,00, y Google Gemini 3.8 Flash TTS con 1.283 y $16,50. Todas cuestan más por millón de caracteres que la entrada de Fish Audio clasificada inmediatamente debajo de ellas.

El panel de voz controlada es donde los dos registros Drama 3 se separan más marcadamente en el ranking, y donde la afirmación sobre pesos abiertos es más fácil de comprobar, porque todos los modelos allí se puntúan con las mismas voces de referencia fijas en lugar del catálogo propio de cada proveedor. Dispersión completa de las entradas de pesos abiertos a día de hoy:

• Voz del proveedor — Fish Audio Drama 3 1.278 (#6); Fish Audio Drama 3 Preview 1.240 (#12); Breeze TTS 2 1.228 (#13); Voxtral 3 TTS 1.223 (#15).

• Voz controlada — Fish Audio Drama 3 1.085 (#12); Ming-3.0-tts 1.068 (#17); Fish Audio Drama 3 Preview 1.063 (#20); Breeze TTS 2 1.021 (#28).

• La brecha que importa: en voces controladas, Drama 3 sigue por detrás de Eleven v4 (1,156, #4), Inworld Realtime TTS-2 (1,146, #7) y Google Gemini 3.8 Flash TTS (1,053, #24) está por debajo de él, pero los sistemas cerrados en la cima de esa tabla no están a cuatro puntos de distancia, sino a setenta. HeyGen Voice lidera la tabla con 1,193.

De ello se desprenden dos cosas. Primera: «primero entre los de pesos abiertos» es cierto hoy en ambas arenas y no se trata de un empate en ninguna de ellas. Segunda: el margen en la tabla controlada —17 Elo por encima de Ming-3.0-tts con una quinta parte del número de parámetros— está dentro del rango en el que unos pocos miles de votos pueden alterar el orden, así que tómalo como una ventaja y no como algo asegurado.

La puntuación de pronunciación es un primer puesto compartido, no un primer puesto en solitario.

El anuncio de Fish Audio cita un 93,2 % en el benchmark English Pronunciation Robustness de Artificial Analysis, frente al 88,1 % de su anterior S2.1 Pro, y lo describe como la puntuación más alta de la tabla de clasificación. Eso era exacto cuando la puntuación se publicó el 2026-10-20, con una salvedad que el texto de marketing omite: Ming-3.0-tts de Ant Group alcanzó el mismo 93,2 %, por lo que la tabla muestra un empate en el primer puesto entre 31 modelos puntuados, en lugar de un único líder. Eleven v4 se sitúa en el 91,7 % y Eleven v4 Turbo en el 90,1 %.

El agregado oculta un intercambio real. La fortaleza de Drama 3 son los nombres propios y las palabras dependientes del contexto: 95,9% en términos aislados como marcas, lugares y nombres técnicos, y 95,3% en palabras cuya lectura depende de la frase. Su debilidad es todo lo que debe reproducirse carácter por carácter: 86,3% en códigos, rutas y direcciones de correo electrónico, que es donde Ming alcanza el 90,6%. La única categoría que Drama 3 pierde de forma absoluta es la taquigrafía en expansión —números, fechas y unidades— con un 93,6% frente al 94,1% de Eleven v4. Si su canalización lee en voz alta números de pedido, códigos de pieza o cadenas de seguimiento, el 93,2% destacado es la cifra equivocada con la que planificar; el 86,3% es la correcta.

Qué se lanzó el 2026-10-13 y qué suponen dieciséis días

Nada de esto es un lanzamiento, y no debería presentarse como tal. Fish Audio incorporó el modelo a su aplicación web, sus aplicaciones para iOS y Android y su API el 2026-10-13, con el id de modelo de API «drama-3». Lo nuevo en las últimas dos semanas es la puntuación independiente del modelo de venta al público, no la existencia del modelo. Merece la pena explicar las consecuencias prácticas de esa distinción, porque la cobertura anterior de este modelo —incluida la de este blog— se escribió con base en los datos de Preview.

La arquitectura no ha cambiado entre los dos registros: una mezcla de expertos de 35 mil millones de parámetros inicializada a partir de Qwen3.5-35B-A3B, con aproximadamente 3 mil millones de parámetros activos por token y 8 de 256 expertos enrutados más un experto compartido en activación. Cuarenta capas dispuestas en bloques repetidos de tres capas Gated DeltaNet y una capa de atención completa con compuerta, por lo que solo una de cada cuatro capas mantiene una caché KV. El decodificador es un diseño codebook-MTP — cuatro capas compartidas que alimentan nueve capas de ancho completo, una por libro de códigos acústico — y solo los libros de códigos 0 y 1 se realimentan hacia la red troncal. El tokenizador es la misma configuración de Descript Audio Codec que usó S2: 44,1 kHz, diez libros de códigos, aproximadamente 21,5 tramas por segundo, totalmente causal. Merece la pena señalar una pequeña inconsistencia, porque confundirá a cualquiera que compare las dos fuentes: el anuncio de Fish Audio dice 35 mil millones de parámetros, y la ficha del modelo de Hugging Face informa un tamaño de modelo de 36B. Es probable que la diferencia se deba a una convención de redondeo o de conteo de embeddings en lugar de a un checkpoint diferente, pero los dos números son los que encontrará en cada lugar.

El rendimiento en un único H200 es una cifra del fabricante de 271 fotogramas por segundo frente a 177 para S2, que es lo que se supone que te aporta un MoE de 35B con una ruta activa de 3B. El servicio se presta mediante SGLang-Omni. Los pesos están en Hugging Face como fishaudio/drama-3 —alrededor de 40 GB repartidos en un conjunto de fragmentos safetensors más un archivo de códec aparte—, y la inferencia en FP8 requiere aproximadamente 48 GB de VRAM, sin que haya documentada ninguna ruta para CPU o ROCm. Esa última restricción es la que decide la mayoría de las cuestiones de autoalojamiento, y es el tema de la comparación con Breeze TTS 2, no de esta.

Tres precios, y la tarjeta no es contra la que deberías planificar

Aquí la procedencia debe ser explícita, porque hay tres cifras en circulación y dos de ellas no son lo que parecen. Artificial Analysis registra $15.00 por millón de caracteres para ambas entradas de Drama 3. La propia página de anuncio de Fish Audio indica un precio de lista de $50.00 por millón de caracteres con una tarifa de lanzamiento de $10.00, un 80 % de descuento, hasta el 2026-11-12. Y la documentación para desarrolladores de Fish Audio cobra en una tercera unidad completamente distinta: por millón de bytes UTF-8, con drama-3 a $50.00, s2.1-pro a $15.00 y la tarifa de lanzamiento a $10.00 hasta el 2026-11-12 09:00 PT. El inglés se acerca a un byte por carácter, así que las cifras en bytes y en caracteres son aproximadamente intercambiables para el texto en inglés y divergen marcadamente en escrituras que cuestan más de un byte por glifo.

Los $15.00 en la tabla de clasificación merecen una segunda mirada en lugar de un encogimiento de hombros, porque son exactamente la tarifa de lista de s2.1-pro, el modelo anterior de Fish Audio, y no la tarifa del modelo que se está evaluando. O la tabla registró una cifra combinada o arrastrada, o fijó el precio del modelo a una tarifa que Fish Audio no publica para él. La cifra con la que hay que presupuestar es la de la propia tabla de precios de Fish Audio: $50.00 por millón de bytes UTF-8 a tarifa de lista, que la documentación del proveedor equipara con unas 180,000 palabras en inglés, o aproximadamente doce horas de habla — digamos $4.17 por hora de audio finalizado. Un descuento de lanzamiento que vence en dos semanas no es una lista de precios; a $10.00, esas mismas doce horas cuestan unos $0.83.

Licencia: pesos abiertos, no código abierto, y una cláusula que decide mucho

Los pesos se publican bajo la Fish Audio Community License v1.0. La investigación y el uso no comercial son gratuitos. El uso comercial es gratuito si tú y tus filiales permanecéis por debajo de 500.000 US$ de ingresos anuales; por encima de esa cifra, o si quieres ofrecer Drama 3 como servicio de conversión de texto a voz, clonación de voz o inferencia, necesitas una licencia independiente de Fish Audio. La licencia también prohíbe clonar la voz de una persona real sin su consentimiento, y las FAQ de Fish Audio consideran permitido "crear audio finalizado para clientes", que es la cláusula relevante para agencias y estudios de postproducción. S2 sigue bajo la Research License más estricta, por lo que ambas generaciones no son intercambiables en un despliegue comercial.

Artificial Analysis clasifica el modelo como de pesos abiertos sin derechos plenos de uso comercial. Esa es la descripción honesta: puedes descargarlo y ejecutarlo, pero no necesariamente puedes vender acceso a él. Cualquiera que planee un producto alojado sobre estos pesos debería leer la cláusula de servicio antes de crear la página de facturación, no después.

En qué situación deja esto a una pipeline de producción

La razón por la que el resultado de las dos arenas merece un post y no una nota al pie es que cambia lo que un equipo puede dar por sentado. Hace dieciséis días, la afirmación defendible era que un modelo de pesos abiertos había entrado en los diez primeros de una tabla de preferencias y reclamaba un liderato en pronunciación según su propia evaluación. Hoy, el veredicto independiente es más limitado y más contundente: es el mejor modelo de pesos abiertos en ambas arenas, comparte el primer puesto en pronunciación en lugar de ostentarlo en solitario, y lo consigue a una tarifa de gama media con pesos que cualquiera puede descargar.

Drama 3 no es uno de los modelos disponibles en OrcaRouter. Se accede a él a través de la propia API de Fish Audio y de varias plataformas de terceros, y un texto que pretendiera lo contrario te estaría mintiendo sobre lo único para lo que sirve este blog. Lo que hacemos es la otra mitad del problema: los ~200 modelos detrás de una única clave al precio de lista del proveedor y sin ningún margen añadido, conmutación automática por error, el DSL de enrutamiento y la fusión de modelos son la manera en que un pipeline que ya llama a otros proveedores integra un modelo como este sin un segundo contrato ni un segundo SDK. Si Drama 3 se convierte en la voz de narración de una cola de renderizado y la cola tiene una fecha límite, el valor de enrutar todo lo demás a través de un único endpoint radica en que ya existe una ruta de reintento.

Qué vigilar durante las próximas dos semanas, en orden de cuánto cambiaría el panorama: si la brecha de 22 puntos entre los dos registros de Drama 3 se cierra o se amplía a medida que más votos recaigan sobre la entrada minorista; si Ming-3.0-tts se adelanta en pronunciación cuando se vuelva a medir, con un recuento de spans mayor, su puntuación de nombres propios en el puesto 21; y si alguien fuera de Fish Audio reproduce la cifra de 271 fotogramas por segundo en hardware que no sea una H200. Las cifras de la arena están lo bastante asentadas como para citarlas. La cifra de rendimiento sigue siendo una afirmación del proveedor, y la licencia sigue siendo lo que más probablemente determine si un equipo puede usar esto siquiera.