Fish Audio Drama 3 vs Breeze TTS 2: La comparación de pesos abiertos que termina con una cifra de VRAM

Fish Audio Drama 3 y Breeze TTS 2 son los dos modelos de texto a voz de pesos abiertos mejor clasificados en el Provider Voice Arena de Artificial Analysis, con 50 Elo de diferencia, y en realidad no compiten por el mismo despliegue. Drama 3 es una mezcla de expertos de 35.000 millones de parámetros que quiere una sola tarjeta de 48 GB. Breeze TTS 2, de BreezeBlue, es un modelo denso de 3.000 millones de parámetros con código de inferencia PyTorch publicado. Esa diferencia de huella decide más preguntas de compra que la brecha de Elo, porque el modelo que no puedes ejecutar no es un modelo que puedas evaluar — y además las dos licencias apuntan en direcciones opuestas.

Misma etiqueta, dos tipos diferentes de pesos abiertos

Ambas entradas muestran un enlace a los pesos en la tabla de clasificación, y ambas se describirían en un comunicado de prensa como abiertas. Ninguna es de código abierto, y las restricciones no tienen la misma forma.

Los pesos de Breeze TTS 2 se publicaron en Hugging Face el 25/08/2026 como BreezeBlue/Breeze-TTS-2, junto con el código de inferencia en PyTorch, bajo una licencia de investigación y no comercial. Eso constituye un impedimento absoluto para el despliegue comercial sin un acuerdo aparte, y no ha cambiado desde entonces. La empresa anunció el modelo el 16/08/2026 y el 17/08/2026 como un modelo de voz en tiempo real para medios interactivos, abrió una API alojada a 34 dólares por millón de caracteres y publicó los pesos nueve días después. BreezeBlue fue fundada por Yang Bin, ex cofundador técnico de MiniMax, con una ronda semilla de 6 millones de dólares liderada por Yuanjing Capital y Redpoint China.

Fish Audio Drama 3 se distribuye bajo la Fish Audio Community License v1.0, que es materialmente más permisiva en el aspecto que más importa a la mayoría de los equipos: el uso comercial es gratuito por debajo de US$500,000 en ingresos anuales para usted y sus afiliados, y las FAQ consideran permitido producir audio finalizado para clientes. Por encima de ese umbral, o si desea alojar Drama 3 como servicio de texto a voz, clonación de voz o inferencia, necesita una licencia de Fish Audio. La licencia también prohíbe clonar la voz de una persona real sin consentimiento. S2 —el predecesor— sigue bajo la Research License, más estricta, por lo que las dos generaciones de Fish Audio no pueden tratarse como una sola categoría legal.

La lectura práctica: Breeze TTS 2 es el modelo más fácil con el que experimentar y el más difícil de lanzar comercialmente; Drama 3 es lo contrario. Si tu evaluación es una demo de investigación o una herramienta interna, la licencia de Breeze no te estorba y su huella de 3B abarata el experimento. Si tu evaluación termina en un producto, los términos de Fish Audio son los que un abogado firmaría sin negociación.

Un detalle en la ficha del modelo Breeze merece señalarse porque ahora está desactualizado. La introducción de la ficha todavía dice que el modelo «ocupa el puesto n.º 1 entre los modelos de pesos abiertos en la tabla de clasificación TTS de Artificial Analysis». Eso era cierto cuando se escribió; hoy la tabla sitúa a Breeze TTS 2 en decimotercer lugar en voces de proveedor y vigésimo octavo en voces controladas, por detrás de ambas entradas de Fish Audio. Las fichas de modelos envejecen más rápido que las tablas de clasificación, y un lector que consultara solo la ficha se quedaría con una clasificación errónea.

Las cifras de arena, y por qué la brecha de voz controlada es la más grande.

Leído de Artificial Analysis el 29 de octubre de 2026:

• Provider Voice Arena — Fish Audio Drama 3 en el puesto 6 con un Elo de 1,278 y un costo de $15.00 por millón de caracteres registrado en la tabla; Breeze TTS 2 en el puesto 13 con 1,228 y $34.00. Una diferencia de 50 puntos, y los modelos clasificados entre ellos son todos sistemas cerrados.

• Arena de Voz Controlada — Fish Audio Drama 3 en el puesto 12 con 1.085; Breeze TTS 2 en el puesto 28 con 1.021. Una diferencia de 64 puntos, y esta es la tabla donde cada modelo se puntúa con las mismas voces de referencia fijas en lugar de con las voces que diseñó su propio proveedor.

• La dirección de la ampliación —la ventaja de Drama 3 crece 14 puntos cuando dejas fuera de la comparación el catálogo de voces del propio proveedor. Ese es el dato más útil de esta comparación, porque indica que la ventaja de Fish Audio no es un artefacto de lo bien que suenan sus voces predeterminadas.

Cincuenta o sesenta y cuatro puntos Elo es una diferencia real en las pruebas de preferencia a ciegas, y no es una diferencia que se mantenga cuando es el único modelo de la comparación. Ambos están muy por debajo de la frontera cerrada: Eleven v4 Turbo lidera la tabla de proveedores con 1.336 y HeyGen Voice lidera la tabla controlada con 1.193. Lo que ofrece el par de pesos abiertos es un piso autoalojable, no una frontera.

Qué necesita realmente cada uno para funcionar

Aquí es donde la comparación deja de ser abstracta.

• Drama 3 — 35B parámetros totales, aproximadamente 3B activos por token, 8 de 256 expertos enrutados más uno compartido. Los pesos ocupan unos 40 GB repartidos en un conjunto de shards más un archivo de códec aparte, y la inferencia en FP8 requiere alrededor de 48 GB de VRAM. Fish Audio no documenta ninguna ruta para CPU, Apple Silicon ni ROCm. En una sola H200, el proveedor reporta 271 tramas por segundo frente a 177 de S2, que es la recompensa de la arquitectura dispersa; esa cifra la reporta el proveedor y no ha sido reproducida fuera de Fish Audio.

• Breeze TTS 2 — 3B parámetros densos. Un checkpoint BF16 ocupa aproximadamente 6 GB, por lo que cabe cómodamente en una tarjeta de 24 GB y, de manera plausible, en tarjetas más pequeñas con cuantización. El código de inferencia está en el repositorio en lugar de darse por sobreentendido. No hay una cifra de latencia publicada al nivel de un único flujo, pero el modelo fue diseñado y comercializado para medios interactivos en tiempo real, lo que constituye un requisito diferente del de la narración de alta fidelidad.

• Tokenizador — Drama 3 conserva la configuración de Descript Audio Codec de S2: 44,1 kHz, diez libros de códigos, unas 21,5 tramas por segundo, totalmente causal. El tokenizador de Breeze TTS 2 no es algo que pueda citar de una fuente primaria, y una comparación que se inventara uno sería una falsa precisión.

La consecuencia es contundente. Un equipo con cuatro tarjetas de 24 GB puede ejecutar Breeze TTS 2 hoy y no puede ejecutar Drama 3 sin trucos de sharding que Fish Audio no documenta. Un equipo con una tarjeta de clase H200 está eligiendo entre un modelo que encaja con su hardware y un modelo que es 50 Elo mejor. Ninguna de esas opciones es la respuesta incorrecta; son respuestas a preguntas distintas.

Costo por volumen, en la unidad que Fish Audio factura realmente

La documentación de Fish Audio indica los precios por millón de bytes UTF-8, no por carácter, lo que cambia la aritmética para cualquiera que no escriba en inglés. Según esa misma documentación, un millón de bytes UTF-8 equivale aproximadamente a 180.000 palabras en inglés o a doce horas de habla. Drama 3 tiene un precio de $50.00 por millón de bytes —aproximadamente $4.17 por hora de audio terminado—, con una tarifa de lanzamiento de $10.00, aproximadamente $0.83 por hora, hasta el 2026-11-12 09:00 PT. Breeze TTS 2 cuesta $34.00 por millón de caracteres y, con la misma conversión aproximada, eso es alrededor de $2.83 por hora.

Así que el ranking se invierte según el día en que compras. Durante la promoción, Drama 3 cuesta aproximadamente un tercio del coste por hora de Breeze TTS 2. Después del 2026-11-12, Drama 3 a precio de lista es aproximadamente un 47% más caro por hora que Breeze — mientras que es entre 50 y 64 puntos Elo mejor en las arenas y sustancialmente mejor en pronunciación. Y para texto CJK o cirílico, la facturación basada en bytes empuja a Drama 3 aún más arriba: un carácter de tres bytes cuesta tres veces lo que cuesta un carácter inglés según esa tabla, mientras que un proveedor que cobra por carácter cobra lo mismo por ambos.

Dos detalles de facturación de la misma documentación merecen incorporarse a un modelo de presupuesto, porque ambos aumentan silenciosamente el gasto real. Los límites de velocidad se aplican a solicitudes simultáneas, no a solicitudes por segundo —5 simultáneas en el nivel inicial, 15 a partir de $100 pagados, 50 a partir de $1,000— y una solicitud que supera el límite devuelve un 429 sin encabezado retry-after, por lo que un renderizador paralelo ingenuo tiene que implementar su propio backoff. Y las solicitudes que indican un id de modelo que falta o que no coincide exactamente se atienden y se facturan como el modelo predeterminado, lo que, en el lado de TTS, significa que un encabezado Drama 3 mal escrito durante la promoción puede facturarte a la tarifa de S2.1 Pro en lugar del descuento.

Poniendo ambos detrás de un mismo pipeline

Ni Fish Audio Drama 3 ni Breeze TTS 2 es uno de los modelos de OrcaRouter. Se accede a cada uno mediante la API propia de su proveedor y, en el caso de Fish Audio, mediante plataformas de terceros, y la versión honesta de esta sección lo dice en lugar de insinuar una vía que no tenemos.

La capa de orquestación es una cuestión aparte, y es donde la división en dos modelos se justifica. Un pequeño estudio que quiere Drama 3 para la narración y Breeze TTS 2 para prompts de interfaz de usuario en tiempo real está ejecutando dos SDK, dos tablas de tarifas y dos modos de fallo con un solo plazo. Enrutar el resto de la pila a través de un único endpoint al precio de lista del proveedor, sin recargo, con conmutación automática por fallo entre upstreams, significa que la elección del proveedor de TTS pasa a ser una línea en una configuración en lugar de un segundo contrato — y que el DSL de enrutamiento puede componer una llamada a un modelo con el paso de audio en lugar de acoplarlos en el código de la aplicación.

Si hoy eliges uno y el hardware ya está comprado, la decisión está casi tomada por sí sola: 48 GB de VRAM son una línea presupuestaria distinta de 6 GB, y la licencia de Breeze solo para investigación implica una revisión legal distinta de la licencia comunitaria de Drama 3 con límite de ingresos. Si eliges uno por calidad dentro de la clase de pesos abiertos, la respuesta es Drama 3 en ambos frentes y en pronunciación, y el argumento del precio solo se sostiene durante las próximas dos semanas.