Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: Google ahora es el barato, y eso invierte el argumento habitual

Si calculas el precio de estos dos por minuto de audio finalizado, la comparación deja de parecerse a la que el mercado ha estado haciendo todo el año. Google Gemini 3.8 Flash TTS cobra 9,00 $ por millón de tokens de audio, y el audio se genera a 25 tokens por segundo — un poco más de dos centésimas de centavo por segundo, lo que equivale a unos 0,81 $ por hora de voz. Fish Audio Drama 3 tiene un precio de lista de 50,00 $ por millón de bytes UTF-8, que la propia documentación del proveedor equipara con unas doce horas de voz: aproximadamente 4,17 $ por hora a precio de lista, y 0,83 $ por hora durante la promoción de lanzamiento que termina el 2026-11-12. Por lo tanto, el modelo de voz insignia de Google es cinco veces más barato que el retador de pesos abiertos una vez que caduque el descuento, y aproximadamente el mismo precio mientras dure. El planteamiento habitual — un modelo abierto ágil que socava a un hiperescalador — es exactamente al revés aquí, y entender por qué es toda la decisión.

La aritmética, con suficiente detalle para comprobarla

La unidad de Google son tokens, no caracteres, y esa es la razón por la que las cifras destacadas parecían poco llamativas junto a los proveedores que facturan por caracteres de texto. Gemini 3.8 Flash TTS genera audio a 25 tokens por segundo de habla, a 9,00 USD por millón de tokens hasta finales de 2026, y el modelo al que sustituye —Gemini 3.1 Flash TTS Preview— tenía un precio de 20,00 USD por ese mismo millón de tokens de salida. Gemini 3.8 Flash-Lite TTS, lanzado junto a él el 23 de septiembre de 2026, incluye una lista de idiomas más corta y una tarifa aún más baja, y Artificial Analysis lo registra en 11,00 USD por millón de caracteres a efectos comparativos.

La unidad de Fish Audio son los bytes, no los caracteres, y su documentación indica la conversión con claridad: un millón de bytes UTF-8 equivale aproximadamente a 180.000 palabras en inglés, o a unas doce horas de habla. A 50,00 $ por millón de bytes, eso supone 4,17 $ por hora antes de cualquier gasto adicional. Con el precio promocional de 10,00 $, son 0,83 $. Los corchetes de dirección se facturan como texto de entrada, por lo que un guion con muchas indicaciones de dirección cuesta entre un 10 y un 25 % más de lo que sugiere su número de palabras, y en esta comparativa se factura cada corchete, porque todo el diseño de Drama 3 se basa en que escribas la interpretación en el guion.

• Precio de lista, por hora de voz: Gemini 3.8 Flash TTS, alrededor de $0.81; Drama 3, alrededor de $4.17.

• Precio promocional, por hora — Gemini 3.8 Flash TTS aproximadamente $0.81; Drama 3 aproximadamente $0.83. En la práctica, un empate.

{{1}}Unidad{{/1}} — {{2}}tokens por segundo de salida{{/2}} del lado de Google; {{3}}bytes UTF-8 de entrada{{/3}} del lado de Fish Audio. Ambas son unidades honestas. No son la misma unidad, y cualquier {{4}}comparación de "por millón de X" que las mezcle sin convertirlas{{/4}} es ruido.

• La línea oculta: una solicitud de Drama 3 cuyo encabezado de modelo falta o está mal escrito no falla; recurre a s2.1-pro y cobra $15.00 por millón de bytes, lo que supone un recargo del 50 % sobre la tarifa promocional por un error tipográfico.

Lo que el precio de Google realmente compra

Ser más barato por hora solo resulta interesante si la salida es utilizable, y los números independientes dicen que lo es, con una forma específica. Artificial Analysis sitúa Google Gemini 3.8 Flash TTS en quinto lugar en Provider Voice Arena, con un Elo de 1,283 y un costo de $16.50 registrado en la tabla —por encima del 1,278 de Fish Audio Drama 3—, y en vigésimo cuarto lugar en Controlled Voice Arena, con 1,053, por debajo del 1,085 de Drama 3. Esa división resume el modelo en una frase: suena excelente cuando intervienen las voces propias de Google, y cae a la mitad de la tabla cuando todos los modelos se juzgan con las mismas voces de referencia.

La tabla de pronunciación cuenta una historia igualmente limitada. Gemini 3.8 Flash TTS lidera los 31 modelos evaluados en la categoría de adecuación contextual con un 98,0 %, y Drama 3 está en 95,3 %. No es el punto débil del modelo. El punto débil de Google en esta comparación es el control: Gemini incluye 30 voces de estudio predefinidas —entre ellas Kore y Puck— con el conjunto completo de 130 idiomas y detección automática de idioma, y una biblioteca de voces que la documentación describe como de «cientos» en la Extended Voice Library, mientras que la página de marketing dice más de 2.000. Esas cifras nunca se han conciliado desde fuera, y si una voz específica es fundamental para tu producto, probar esa voz es la única respuesta que cualquiera puede darte con honestidad.

Treinta voces utilizables sin clonación bastan para un bot de soporte, un narrador de producto o una aplicación de aprendizaje de idiomas. No bastan para un flujo de producción de dramatizaciones, un juego con doce personajes a los que hay que asignar voces, ni para ningún trabajo de cliente en el que la voz sea el entregable. Ese es el hueco que llena Fish Audio, y es un hueco de naturaleza, no de grado.

Lo que te aportan los pesos abiertos y lo que te cuesta ejecutarlos

Fish Audio Drama 3 es una mezcla de expertos de 35 mil millones de parámetros con aproximadamente 3 mil millones de parámetros activos por token, inicializada a partir de Qwen3.5-35B-A3B, 8 de 256 expertos enrutados más uno compartido, cuarenta capas en bloques de tres capas Gated DeltaNet y una capa de atención completa con compuerta. Los pesos se publican en Hugging Face como fishaudio/drama-3 — unos 40 GB repartidos en un conjunto de fragmentos más un archivo de códec aparte — y la inferencia FP8 requiere alrededor de 48 GB de VRAM, sin ninguna ruta documentada para CPU o ROCm. El servicio se presta mediante SGLang-Omni, y el proveedor informa 271 fotogramas por segundo en una única H200 frente a 177 para S2.

Esa línea de hardware es la verdadera disyuntiva. El precio de Google de 0,81 dólares por hora no incluye gastos de capital ni operaciones; tu único coste fijo es la solicitud. La tarifa promocional de 0,83 dólares por hora de Drama 3 es una tarifa de API, y ejecutarlo por tu cuenta convierte eso en una GPU de 48 GB, una pila de servicio y una persona responsable de ella. Para un catálogo de cuarenta horas de audio al mes, la API es obviamente más barata. Para unos cuantos miles de horas, o para cualquier cosa que tenga que funcionar sin un tercero involucrado, los pesos cambian por completo el argumento, y son lo único que Google no vende a ningún precio.

La licencia también importa aquí, porque es lo que separa los «pesos abiertos» de «gratis». Drama 3 se publica bajo la Fish Audio Community License v1.0: gratis para uso investigativo y no comercial, y gratis para uso comercial si usted y sus filiales tienen ingresos anuales inferiores a US$500,000; por encima de ese umbral se requiere una licencia aparte, o para ofrecer Drama 3 como servicio alojado de voz o de clonación. Artificial Analysis lo marca como pesos abiertos sin derechos comerciales completos. Los términos de Google son las condiciones estándar de API, que plantean otra serie de cuestiones: el manejo de datos, no la redistribución.

Lenguajes, y un número que hace menos de lo que parece

Google afirma contar con 130 idiomas con detección automática a partir del texto. Fish Audio afirma contar con 83, con una capacidad mucho más extraña asociada: las indicaciones pueden escribirse en cualquier idioma y no tienen que coincidir con el idioma del guion, y hay una etiqueta documentada de cambio de idioma que convierte una sola frase a otro idioma a mitad de línea — marcada como experimental. Son productos diferentes. La cifra de Google tiene que ver con cuántos mercados puedes entrar con una sola integración. La de Fish Audio tiene que ver con la precisión con la que se puede producir una sola línea, por parte de un director que puede no compartir el idioma del guion.

Para un equipo que lanza un producto localizado, 130 supera a 83 y la detección automática supone un ahorro operativo real: sin enrutamiento por idioma, sin selección de voz por idioma. Para un equipo que produce contenido en uno o dos idiomas para un público que se fija en los detalles, 83 no es una limitación y la capacidad de dirección en cualquier idioma es la más valiosa de las dos funciones. Ninguno de los dos números debería leerse como una posición en una tabla de clasificación; la cantidad de idiomas que un modelo afirma dominar nunca se ha correlacionado bien con lo bueno que es en el idioma que necesitas.

Dónde se ubica cada uno de ellos en una pila enrutada

Este es uno de los pocos artículos de esta serie en los que el lado del proveedor no es del todo honesto como para disimularlo: OrcaRouter enruta los anteriores modelos de voz Gemini de Google — google/gemini-3.1-flash-tts-preview y google/gemini-2.5-flash-preview-tts figuran ambos hoy en el catálogo — pero no Google Gemini 3.8 Flash TTS, ni Fish Audio Drama 3. Los modelos Gemini TTS más antiguos están disponibles a través de nosotros al precio de lista de Google, sin recargo; a los dos modelos de los que realmente trata este artículo se accede mediante las API propias de sus proveedores y, en el caso de Fish Audio, a través de plataformas de terceros.

La consecuencia útil es que la mayor parte de una factura de voz de Google ya puede quedar detrás de una sola clave, y la capa de conmutación por error es lo que hace que la comparación resulte económica de ejecutar: ponga una versión canario de Drama 3 junto a una llamada TTS de Gemini 3.8 Flash, dirija la ruta de producción a la que supere su prueba de aceptación, y la elección por segmento reside en el DSL de enrutamiento en lugar de en dos SDK. La fusión de modelos es la otra opción que esto plantea: un panel que renderiza la misma línea con ambos y elige según una regla que usted defina, lo que, para narración, significa que puede mantener la pronunciación de Drama 3 en las líneas con códigos y la lectura contextual de Google en la prosa.

La decisión, dicha sin rodeos: para inglés de gran volumen, sin clonación y sin interés por la infraestructura, Gemini 3.8 Flash TTS a $0.81 por hora es el modelo más barato y de mejor sonido con voces del proveedor, y el argumento a favor de Drama 3 no sobrevive al contacto con la tarifa. Para todo lo que requiera voces personalizadas o de reparto, dirección palabra por palabra, control de fonemas o la capacidad de funcionar sin un tercero, Drama 3 es el único de los dos que puede siquiera hacer el trabajo; a precio de lista cuesta cinco veces lo que Google cobra por hora, y durante la promoción cuesta lo mismo, lo que convierte las próximas dos semanas en la ventana más económica que tendrá cualquiera para averiguar si la ventaja en pronunciación justifica construir en torno a ella.