Fish Audio Drama 3 Preview encabeza la Open-Weights Speech Arena

Fish Audio Drama 3 Preview es el modelo que Fish Audio publicó el 13 de octubre de 2026, y a la mañana siguiente ya había ocupado el primer puesto entre los sistemas de pesos abiertos en la tabla de clasificación de texto a voz de Artificial Analysis. Lo que hace que esa posición merezca una segunda mirada no es la cima: es el precio asociado. La entrada tiene una tarifa de lista de $15.00 por millón de caracteres, mientras que todos los modelos clasificados cerca de ella cuestan entre dos y cinco veces más, y los dos modelos directamente por encima en la tabla, ElevenLabs Eleven v4 Turbo y ElevenLabs Eleven v4, son sistemas cerrados con precios por carácter que escalan en la dirección equivocada para cualquiera que produzca audio de larga duración.

En la Provider Voice Arena de la clasificación, donde las voces propias de cada proveedor compiten entre sí, Fish Audio Drama 3 Preview se sitúa en el puesto 10 con un Elo de 1.243. Eso está por detrás del par de ElevenLabs con 1.330 y 1.328, por detrás de Cartesia Sonic 3.6 con 1.286, por detrás de Qwen-Audio-3.1-TTS-Plus con 1.300 y Qwen-Audio-3.0-TTS-Plus con 1.268, y por detrás de Gemini 3.8 Flash TTS con 1.274. Está por delante de la segunda entrada de pesos abiertos, Breeze TTS 2, que se sitúa en 1.221 y cuesta 34,00 $ por millón de caracteres, un poco más del doble de la tarifa de Drama 3 Preview. De los 97 modelos de esa tabla, 17 son de pesos abiertos, y el nuevo preview de Fish Audio es el mejor clasificado de ellos.

Lee el número con sus barras de error incluidas. El intervalo reportado por la clasificación para la entrada va de 1.226,8 a 1.258,8, aproximadamente 1.857 comparaciones ciegas, en 8 voces de arena. Frente a Breeze TTS 2, la diferencia es cómoda. Frente a Speechify Simba 3.2, con 1.245 y $6,60, no lo es: esa es una diferencia de 2 puntos con intervalos superpuestos, y nadie debería basar en eso una decisión de compra. El resumen honesto es que Drama 3 Preview puso un modelo de pesos abiertos entre los diez primeros puestos de una clasificación en la que antes no tenía nada que hacer, y lo hizo a un precio de gama media.

Qué es realmente el modelo

Fish Audio describe Drama 3 Preview como un modelo de mezcla de expertos de 35 mil millones de parámetros, con aproximadamente 3 mil millones de parámetros activos por token. Utiliza una pila de atención híbrida —Gated DeltaNet combinada con atención completa con compuertas—, junto con un decodificador MTP de libros de códigos y un tokenizador basado en DAC que funciona a 44,1 kHz. La fusión parcial de libros de códigos retroalimenta únicamente los dos primeros libros de códigos hacia el bucle. El entrenamiento pasó por tres etapas de preentrenamiento, luego por ajuste fino con instrucciones y después por aprendizaje por refuerzo frente a un único modelo de recompensa basado en preferencias humanas, sin moldeado de recompensa basado en reglas.

La cifra de rendimiento que lo acompaña es la parte que más importará a los profesionales: Fish Audio informa de 271 fotogramas por segundo en una sola H200, frente a los 177 del modelo S2 al que sucede, pese a contar con muchos más parámetros. Se trata de una cifra del fabricante, no de un benchmark verificado, y variará en función del batching y la longitud de secuencia, pero la dirección es coherente con una arquitectura dispersa haciendo lo que se supone que hacen las arquitecturas dispersas.

La superficie de la API no ha cambiado respecto al endpoint S2.1 Pro. Las solicitudes se envían a POST https://api.fish.audio/v1/tts, y una solicitud que omite el campo model o que indica uno que el servicio no reconoce recurre a s2.1-pro en lugar de devolver un error. Ese fallback es conveniente y conviene conocerlo, porque significa que un error tipográfico en el nombre del modelo produce un audio que suena plausible pero con la voz equivocada, en lugar de un 400.

Control de dirección, diálogo en una sola toma y reparación de palabras individuales

Tres capacidades distinguen esta versión de la generación anterior, y las tres están orientadas al trabajo de producción con guiones en lugar de a la conversación en vivo.

• Dirección en lenguaje natural. En lugar de un vocabulario fijo de etiquetas, el modelo acepta instrucciones con descripciones simples como [nervioso, apenas conteniéndose] o [cálido y relajado, como hablar con un viejo amigo], y puede cambiar la emoción o la interpretación a mitad de frase sin generar una nueva toma. Las etiquetas en línea emparejadas como <whisper>…</whisper> y las indicaciones como [sigh] se aplican solo al texto que envuelven, así que una línea puede cambiar de registro a mitad de camino por construcción y no por suerte.

• Diálogo con múltiples hablantes en una sola pasada. Cada personaje conserva su propia voz dentro de una misma generación, lo que elimina el paso de empalme que normalmente se interpone entre un modelo TTS y una escena terminada. Para la ficción sonora y los diálogos de videojuegos, esta es la diferencia entre un pipeline y un proyecto de investigación.

• Inpainting de audio. Un segmento se puede volver a seleccionar, recibir una nueva instrucción y regenerarse por sí solo, lo cual es la solución de flujo de trabajo para esa única palabra mal pronunciada que antes obligaba a volver a renderizar todo. Fish Audio incluye la experiencia de edición interactiva, la herramienta de inpainting y una API de edición como solo por invitación o próximamente, así que la capacidad existe, pero la interfaz aún no está abierta al público en general.

Fish Audio también afirma contar con 83 idiomas con consistencia lingüística en guiones largos y cambios a mitad de escena, control de pronunciación a nivel de fonema en inglés, chino, japonés, coreano y varios otros idiomas, y clonación de voz al estilo S2 a partir de clips de referencia de aproximadamente 10 a 30 segundos. La demo de lanzamiento utilizó una clonación de voz de Uncle Roger que, según la empresa, se creó y se usó con permiso.

La afirmación sobre la pronunciación, y de dónde viene

El anuncio de Fish Audio afirma que Drama 3 Preview obtiene un 93,2 % en general en una tabla de clasificación de robustez de pronunciación de Artificial Analysis y ocupa el primer puesto allí, por delante de ElevenLabs Eleven v4 y Eleven v4 Turbo. Las puntuaciones parciales que publica son 95,9 % en nombres, marcas y términos técnicos frente al 87,3 % de Fish Audio S2.1 Pro; 95,3 % en palabras dependientes del contexto frente al 86,1 %; 93,6 % en números, fechas y unidades frente al 92,7 %; y 86,3 % en códigos, rutas y direcciones de correo electrónico frente al 79,4 %.

Esos números provienen del propio anuncio de Fish Audio. Cuando fui a buscar la tabla para leer directamente las puntuaciones por modelo, las rutas de robustez de pronunciación devolvieron errores 404 y la superficie de la tabla de clasificación que pude cargar mostraba el ranking Elo sin una cifra de pronunciación por modelo citable adjunta. Por lo tanto, cada cifra del párrafo anterior está reportada por el proveedor y debería etiquetarse como tal en cualquier presentación que la utilice. Los números Elo que aparecen en otras partes de este artículo son diferentes: esos los leí directamente de la tabla, y llevan los propios intervalos de confianza de la tabla.

La queja subyacente que aborda la afirmación es real, independientemente de en qué número se confíe. La pronunciación de nombres propios, códigos de producto y rutas de archivo es el modo de fallo que empuja a los equipos a volver al talento de voz humana, y es el que la mayoría de los proveedores de TTS ha tardado más en corregir porque no es un problema de prosodia. Un modelo que maneja el 86,3 % de códigos, rutas y correos electrónicos frente al 79,4 % de su predecesor todavía se equivoca aproximadamente una de cada siete veces.

¿Qué significa "open weights" según esta licencia?

Fish Audio Drama 3 Preview se distribuye bajo la Fish Audio Community License v1.0. Lea los términos antes de hacer planes en función de ellos. La licencia es gratuita para investigación y uso no comercial, y es gratuita para uso comercial si usted y sus entidades afiliadas se mantienen por debajo de US$500,000 de ingresos anuales. Por encima de ese umbral —o si desea ofrecer el modelo como servicio de texto a voz, clonación de voz o inferencia, independientemente de su tamaño— necesita una licencia de Fish Audio. La línea S2 permanece bajo una Licencia de Investigación separada. Clonar la voz de una persona real sin consentimiento está terminantemente prohibido.

El umbral comercial se corrobora de forma independiente: el tablero de Artificial Analysis señala la entrada como de pesos abiertos sin derechos de uso comercial, lo cual es coherente con una licencia condicionada por ingresos en lugar de una sin restricciones. Si eres un estudio pequeño, los pesos abiertos bajo esta licencia son una opción genuina. Si eres una plataforma que revende inferencia, no son pesos abiertos en el sentido que esperabas.

Precios y la oferta de lanzamiento

El precio de lista de la API es de $50 por millón de caracteres, con un descuento del 80 % a $10 por millón del 13 de octubre al 12 de noviembre de 2026. Los créditos de Creator coinciden con S2.1 Pro, y los nuevos planes Plus, Pro y Max tienen la mitad de precio durante el mismo período. Artificial Analysis registra el precio del tablero como $15.00 por millón de caracteres con la configuración predeterminada, que es la cifra que se debe usar al comparar con otras entradas de ese tablero en lugar de con la propia lista de precios de Fish Audio.

La ventana promocional es la parte que tiene un plazo real. A $10 por millón de caracteres, Drama 3 Preview deja por debajo, por un amplio margen, a prácticamente todos los modelos competidores de la tabla de clasificación. A $50, es más caro que Cartesia Sonic 3.6, a $49, y muy por encima de Qwen-Audio-3.0-TTS-Plus, a $19.30. Cualquiera que esté construyendo un modelo de costos con la tarifa con descuento debería construir otro con la tarifa de lista y comprobar que el proyecto siga funcionando.

Dónde encaja esto en un stack de producción

El audio guionizado y renderizado una sola vez es el punto ideal: audiolibros, dramatizaciones de audio, diálogos de juegos y animación, video de formato corto. La generación de varios hablantes en una sola pasada y el flujo de trabajo de inpainting existen para servir a ese tipo de trabajo, y el precio es por carácter en lugar de por minuto, lo que favorece los guiones largos. La edición interactiva y la API de edición aún no están disponibles de forma general, por lo que un flujo de trabajo que dependa de ellas es un flujo de trabajo que depende de una invitación.

La cuestión operativa que surge después es el enrutamiento, y lo es más para la voz que para el texto. Fish Audio Drama 3 Preview no es uno de los modelos que hay en OrcaRouter hoy. Se accede a él a través de la API propia del proveedor y de varias plataformas de terceros. Lo mismo ocurre con la mayoría de los modelos comparados más arriba: los diez primeros de la tabla de clasificación de voz son un conjunto de endpoints específicos de cada proveedor con autenticación específica de cada proveedor, y cada uno es su propia integración y su propio dominio de fallos. OrcaRouter~200 modelos detrás de una sola clave al precio de lista del proveedor sin margen adicional abarca tareas de texto, visión y razonamiento, y su conmutación por error automática existe precisamente para el caso en que el endpoint de un proveedor se degrada a mitad de ejecución. El patrón práctico para una ruta de voz en producción es mantener directo al proveedor de voz y mantener todo lo que este orquesta —la generación de resúmenes, la fase de traducción, el generador de diccionarios de pronunciación, el clasificador de control de calidad— detrás de un único endpoint enrutado, de modo que una conmutación por error allí no se lleve consigo el pipeline de renderizado.

En resumen

Fish Audio Drama 3 Preview es un resultado real y no un artefacto de la semana de lanzamiento: puesto 10 en Provider Voice Arena con un Elo de 1.243, el primero entre las 17 entradas de pesos abiertos de la tabla, a 15,00 USD por millón de caracteres frente a 34 USD del siguiente modelo de pesos abiertos que aparece por debajo. Las distancias hasta la cima de la tabla siguen siendo grandes y los intervalos de confianza se solapan con los de sus vecinos más cercanos, así que la corona de los pesos abiertos es una posición de partida, no una ventaja. La cifra de pronunciación del 93,2 % es del propio proveedor y no pudo extraerse de forma independiente de la tabla. La licencia tiene un límite de ingresos de 500.000 USD para uso comercial que hará que algunos equipos lo descarten por completo. Y la tarifa de 10 USD vence el 12 de noviembre de 2026.

Para un estudio que produce audio con guion a gran escala, la combinación de generación de varios hablantes en una sola pasada, inpainting de una sola palabra y una licencia de pesos abiertos por debajo del umbral de ingresos es el argumento más sólido aquí, más sólido que la posición en la tabla de clasificación que acaparará los titulares.

Elecciones de modelo como esta son también donde aparecen los modos de fallo: los incidentes de IA y fallos de agentes documentados que hay detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive , donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.