Fish Audio Drama 3 vs Inworld Realtime TTS-2: uno lee un guion, el otro sigue una conversación

La palabra «Realtime» en Inworld Realtime TTS-2 es una afirmación sobre la latencia, no una descripción de lo que hace el modelo. El producto de voz a voz de Inworld para conversaciones en vivo es una partida separada en su propia página de precios; Realtime TTS-2 es un modelo de texto a voz lo bastante rápido para uso interactivo. Esa distinción importa en el momento en que se compara con Fish Audio Drama 3, que está concebido para el trabajo opuesto: un modelo de 35 mil millones de parámetros cuyo diseño entero consiste en que se escriben acotaciones escénicas en el guion antes de que se pronuncie una sola línea. Si se comparan lado a lado en Artificial Analysis, la división es inusualmente clara: Drama 3 lidera Provider Voice Arena por 11 puntos, e Inworld lidera Controlled Voice Arena por 61. La dirección de esa brecha dice más sobre para qué sirve cada uno que cualquiera de las cifras por sí sola.

Dos productos que nunca apuntaron a lo mismo

Inworld Realtime TTS-2 comenzó como una vista previa de investigación el 2026-05-05 y alcanzó disponibilidad general el 2026-09-02. La propuesta en GA no era la fidelidad: era que el modelo toma los turnos anteriores de una conversación, como audio, y razona sobre el tono y el ritmo antes de decidir cómo debería sonar la siguiente línea. Esa es una característica de agente conversacional. Un bot de soporte que acaba de escuchar a un cliente frustrado no necesita una acotación — necesita inferirla de lo que se acaba de decir.

Fish Audio Drama 3, publicado el 2026-10-13, va en la dirección contraria. Cada capacidad que anuncia tiene que ver con la autoría explícita: indicaciones entre corchetes antes de la frase a la que rigen, eventos de sonido y pausa colocados en mitad de la línea, etiquetas emparejadas que cambian solo las palabras que envuelven (whisper, emphasis, soft, fast, slow, stress, forceful), fijación de fonemas para la pronunciación, una etiqueta de cambio de idioma para una sola frase, indicaciones escritas en un idioma distinto del guion, y diálogo con varios hablantes en una sola petición mediante un array reference_id con etiquetas de hablante por turno. Nada de esa lista se puede inferir del contexto. Todo ello es algo que un escritor teclea.

Así que el planteamiento honesto no es «cuál es mejor», sino «qué fallo no puedes tolerar». Un pipeline de drama que tiene que renderizar una escena de doce personajes con continuidad emocional no lo conseguirá con un modelo diseñado para inferir el tono a partir de un historial de chat. Un agente de voz que tiene que responder en menos de un segundo no lo conseguirá con un modelo que requiere una acotación escénica y 48 GB de VRAM. El solapamiento en el que ambos son genuinamente viables es estrecho: narración guionizada y de alta calidad entregada mediante una API para contenido interactivo —avances de audiolibros, líneas breves de NPC prerrenderizadas, locuciones de marketing que deben regenerarse según un calendario.

Los tableros, leídos en el orden correcto

Ambas cifras siguientes se leyeron de Artificial Analysis el 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 en el puesto 6 con 1.278 y $15,00 por millón de caracteres registrado en la tabla; Inworld Realtime TTS-2 en el puesto 8 con 1.267 y $20,80. Inworld Realtime TTS-2 Flash se ubica en el puesto 19 de la tabla controlada con 1.065.

• Controlled Voice Arena — Fish Audio Drama 3 ocupa el puesto 12 con 1.085; Inworld Realtime TTS-2 ocupa el puesto 7 con 1.146. Aquí Inworld lleva 61 puntos de ventaja.

• La asimetría —la ventaja de 11 puntos de Drama 3 como proveedor se reduce y se invierte en cuanto la comparación se realiza con voces de referencia idénticas en lugar del catálogo propio de cada proveedor. Su ventaja es, en gran medida, una ventaja entre las voces que ofrece Fish Audio; la de Inworld no lo es.

• La otra asimetría: las dos entradas de Inworld se distribuyen a lo largo de la tabla, el modelo insignia en 1,146 y Flash en 1,065, una diferencia de 81 puntos entre niveles de la misma familia. Drama 3 no tiene ningún nivel inferior; o eliges el modelo 35B o recurres a otra opción.

Este es el patrón opuesto al de las mismas dos tablas con Google Gemini 3.8 Flash TTS, donde el modelo cerrado ganó con voces de proveedor y perdió con voces controladas. Ninguno de los patrones es ruido; ambos son recordatorios de que una sola cifra de la arena describe el conjunto formado por el modelo y la biblioteca de voces, y solo la tabla controlada aísla el modelo.

Conciencia del contexto frente a la dirección, concretamente

El anuncio de GA (disponibilidad general) de Inworld Realtime TTS-2 describe un modelo que lee el historial de la conversación —los turnos anteriores como audio— y lo utiliza para moldear el ritmo y el tono. Se trata de una afirmación del proveedor, no de una capacidad evaluada de forma independiente, y las arenas de Artificial Analysis no la ponen a prueba; lo que prueban son líneas individuales frente a voces de referencia. Así que la función que Inworld realmente vende es justamente la que ningún benchmark público mide en la actualidad. Considera la afirmación prometedora pero no probada, y pruébala con tus propios diálogos en lugar de con una tabla de clasificación.

Las capacidades de dirección de Drama 3 son medibles en el sentido estricto de que se puede ver cómo cambia la salida al cambiar un corchete, y Fish Audio documenta cada una de ellas con audio de muestra. La característica que ningún competidor de esta comparación iguala es la dirección independiente del idioma: una dirección escrita en chino delante de una línea en inglés, documentada y demostrada. Para un equipo internacional de postproducción, eso es una habilitación operativa y no un simple extra, y es el tipo de cosa que aparece en un piloto en cuestión de una hora.

La prueba práctica para un equipo que elige entre ambas es una página de su propio diálogo. Represéntela con el contexto de conversación de Inworld configurado como estaría en producción, y represéntela con Drama 3 e indicaciones explícitas. La opción que produzca menos líneas que haya que corregir a mano es la respuesta, y será una respuesta distinta para un agente de chat que para un radioteatro.

Clonación, latencia y las cifras con las que puedes planificar

El clonado de voz instantáneo de Inworld acepta entre 5 y 15 segundos de audio de referencia, y su beta de clonado profesional requiere alrededor de 10 minutos de audio para lograr un clon de mayor fidelidad. Son cifras del proveedor y son lo bastante concretas como para ponerlas a prueba. El clonado de Fish Audio se inscribe en el mismo sistema de créditos que la generación, y Drama 3 usa los mismos créditos que S2.1 Pro en los planes de suscripción, pero la licencia es la parte que difiere, ya que la licencia comunitaria de Fish Audio prohíbe explícitamente clonar la voz de una persona real sin su consentimiento, mientras que los términos de Inworld son los términos habituales de API.

La latencia es donde Inworld es claramente la herramienta adecuada, y la comparación no debería fingir lo contrario. Realtime TTS-2 y su nivel Flash se diseñaron para productos interactivos, con un nivel Flash con un precio un 40% inferior al del insignia precisamente para las cargas de trabajo que lo necesitan. La cifra de velocidad publicada por Fish Audio para Drama 3 es de 271 fotogramas por segundo en un único H200, frente a 177 para S2: una cifra de rendimiento para renderizado por lotes, no un tiempo hasta el primer byte para un flujo en vivo. Si su requisito es «la voz debe comenzar dentro de un turno conversacional», está en el producto de Inworld, y ninguna ventaja de 11 puntos de Drama 3 como proveedor cambia eso.

Precio, a la tarifa que realmente pagará

Inworld Realtime TTS-2 cuesta 25,00 USD por millón de caracteres bajo demanda, y baja a 20,00 USD en el plan Creator de 25 USD, 17,50 USD en Builder, 15,00 USD en Developer y 12,50 USD en Growth, mientras que Flash cuesta 15,00 USD bajo demanda y baja a 7,00 USD en Growth. Fish Audio Drama 3 cuesta 50,00 USD por millón de bytes UTF-8 a precio de lista y 10,00 USD durante la promoción de lanzamiento hasta el 12/11/2026 a las 09:00 PT. Para un guion en inglés de 100.000 caracteres, eso representa 2,50 USD con la tarifa bajo demanda de Inworld frente a 5,00 USD de Drama 3 a precio de lista, o 1,00 USD durante la promoción.

Tres salvedades deberían formar parte de esa aritmética, no ir debajo de ella. Drama 3 factura por byte UTF-8, por lo que un texto en escritura CJK cuesta varias veces lo que uno en inglés para el mismo número de caracteres, mientras que la tarifa por carácter de Inworld no cambia. Los corchetes de dirección de Drama 3 se facturan como texto de entrada, lo que supone un aumento del 10-25 % en un guion con muchas indicaciones de dirección, exactamente los guiones en los que necesitas el modelo. Y el mecanismo de respaldo de Fish Audio es silencioso: una solicitud cuyo encabezado de modelo falte o no coincida exactamente se atiende y se factura como s2.1-pro a 15,00 USD por millón de bytes en lugar de rechazarse.

La comparación que sobrevive a las tres salvedades es más corta de lo que sugieren las tablas de precios. A precio de lista, Inworld cuesta aproximadamente la mitad de Drama 3 por carácter en inglés y es mejor que esta en voces controladas. Durante la promoción, Drama 3 cuesta un tercio del precio de Inworld. Quien decide solo por el precio está decidiendo una fecha, no un producto.

Ninguno de los dos está en nuestro catálogo, y lo que eso cambia

Se accede tanto a Fish Audio Drama 3 como a Inworld Realtime TTS-2 mediante las API de sus respectivos proveedores y plataformas de terceros; ninguno es uno de los modelos de OrcaRouter, y el argumento de enrutamiento aquí se refiere al resto de la pila, no a estos dos. Un producto de voz rara vez llama a un solo modelo de voz y a nada más — llama a un LLM para la línea de diálogo, a un modelo de voz para el audio, a veces a un segundo modelo de voz para un segmento diferente, y tiene una fecha límite. Consolidar la mitad que no es de voz detrás deuna única clave al precio de lista del proveedor, sin recargo, con conmutación automática por error para que un fallo puntual en un proveedor upstream no detenga el renderizado, es lo que mantiene la elección de voz como una decisión de configuración y no de arquitectura.

Donde el DSL de enrutamiento demuestra su valía en esta combinación concreta es en el flujo mixto: líneas dramáticas prerrenderizadas mediante Drama 3 y turnos conversacionales en vivo mediante Inworld, tratados como dos rutas sobre una misma clave y eligiendo en cada segmento. La fusión de modelos cubre el caso en el que no puedes decidir: renderiza la misma línea con ambos, puntúala frente a una referencia y quédate con la ganadora. Ninguna de las dos es una forma de sortear el precio de ninguno de los dos proveedores. Son una forma de sortear el tener que mantener dos integraciones para ahorrar una línea en un archivo de configuración.

Para un lector que está decidiendo cuál elegir: Inworld Realtime TTS-2 si el habla tiene que reaccionar a una conversación, si la latencia es la restricción, si quieres un nivel Flash para absorber volumen y si una API cerrada es aceptable. Fish Audio Drama 3 si el habla se compone en lugar de ser reactiva, si la pronunciación de nombres y códigos tiene que ser fiable, si la dirección tiene que quedar por escrito, si quieres los pesos o si el briefing se escribirá en un idioma distinto del guion. La ventaja de 11 puntos del proveedor es el número menos importante de esa lista; el déficit controlado de 61 puntos es el que hay que comparar con tus propias voces de referencia antes de decidirte.