Fish Audio Drama 3 vs Ming 3.0 TTS: La ventaja de 91 puntos que desaparece con una voz clonada

Fish Audio Drama 3 supera a Ming 3.0 TTS por 91 puntos Elo en la clasificación donde cada modelo habla con su propio reparto de voces, y por 17 en la clasificación donde a ambos se les entregan las mismas ocho referencias clonadas — una diferencia lo bastante estrecha como para que sus intervalos de confianza se solapen. Ambos son lanzamientos de pesos abiertos de las últimas seis semanas, ambos son evaluados por Artificial Analysis, y en la única prueba que pregunta a una persona si una palabra difícil realmente salió bien de la boca, se sitúan en 93,2 %. Tres cifras, dos de ellas apuntando en direcciones distintas. Cuál de ellas creas decide qué modelo compras, y la respuesta depende de si tu producto suena como él mismo o suena como alguien más.

Dos lanzamientos, separados por seis semanas, construidos a escalas opuestas

Drama 3 se anunció el 13 de octubre de 2026 y está activo en la API de Fish Audio como drama-3, con pesos en Hugging Face bajo una nueva licencia comunitaria. Ming 3.0 TTS llegó de forma más discreta y por partes: los repositorios de InclusionAI en Hugging Face aparecieron el 22 de septiembre, los pesos de 0.5B el 24 de septiembre, y el código de inferencia solo el 19 de octubre —por eso Artificial Analysis no pudo puntuarlo hasta el 20 de octubre. Ant Group nunca ha publicado una publicación de lanzamiento para este, y no tiene endpoint alojado ni precio de lista.

Las fichas técnicas no están ni cerca, y eso es lo primero que hay que entender antes de que las tablas de clasificación signifiquen algo.

• Parámetros — mezcla de expertos de 35B con aproximadamente 3B activos por token, inicializada a partir de Qwen3.5-35B-A3B y que enruta 8 de 256 expertos más un experto compartido, frente a un modelo denso de 0,5B sobre una arquitectura base Qwen2.5-0.5B. Ant también ofrece un MoE de 7,9B totales / 1,3B activos llamado Ming-3.0-tts-tiny, que no tiene ninguna puntuación independiente.

Cobertura lingüística: 83 idiomas declarados para Drama 3, frente a siete para el checkpoint Ming de 0.5B (chino, inglés, alemán, español, francés, coreano y japonés), además de sichuanés y cantonés cuando se proporciona un clip de referencia de dialecto.

• Salida — 44,1 kHz en ambos casos, generados mediante mecanismos muy distintos: Drama 3 conserva el tokenizador Descript Audio Codec de su predecesor con diez codebooks y unas 21,5 tramas por segundo, mientras que Ming decodifica un latente continuo mediante un AudioVAE.

• Pesos y licencia: Drama 3 bajo la Fish Audio Community License v1.0, gratuita por debajo de US$500.000 de ingresos anuales y negociable por encima de esa cifra o si revendes la síntesis como servicio. Ming 3.0 TTS bajo MIT, sin ningún límite de ingresos.

Precio — US$50 por millón de bytes UTF-8 a precio de lista, rebajado a US$10 hasta el 12 de noviembre de 2026, frente a ningún precio porque no hay nada que comprar: usted descarga el checkpoint de 2,96 GB y lo ejecuta.

La diferencia de escala tiene doble filo. El backbone de 35B de Drama 3 es lo que le permite mantener una dirección a lo largo de un guion extenso y reunir a varios hablantes en una sola escena, con un ID de voz por hablante pasado como un array; también es la razón por la que nadie va a ponerlo en un portátil. El 0.5B de Ming es un modelo que puedes servir en una sola GPU modesta y ajustar en una alquilada.

Por qué Artificial Analysis da dos respuestas diferentes

El tablero que todos citan primero es el Provider Voice Arena, y allí Drama 3 ha abierto una ventaja real. A fecha del 29 de octubre, ocupa el sexto puesto entre 100 modelos con un Elo de 1.278, con un precio estimado por Artificial Analysis de 15 USD por millón de caracteres según su configuración predeterminada. Ming 3.0 TTS es vigésimo cuarto con 1.187, sin precio registrado porque no hay un endpoint comercial que registrar. Una diferencia de 91 puntos en un tablero cuyos intervalos de confianza oscilan entre aproximadamente ±13 y ±18 no es ruido; las voces nativas de Drama 3 son preferidas, y de forma clara. Un detalle de la misma tabla explica parte del motivo: Artificial Analysis evaluó a Ming frente a tres voces de la arena y a Drama 3 frente a ocho.

La segunda tabla plantea una pregunta diferente, y la ventaja se desvanece. Controlled Voice Arena entrega a cada sistema las mismas ocho voces clonadas —cuatro de EE. UU., cuatro del Reino Unido—, de modo que la comparación deja de girar en torno a qué actores de voz son mejores y pasa a girar en torno a qué tan bien cada modelo adopta la voz de otra persona. Ahí Drama 3 obtiene 1.085, duodécimo de 49, con un intervalo de 1.069 a 1.101. Ming obtiene 1.068, decimoséptimo, con un intervalo de 1.053 a 1.083. Los intervalos comparten el rango de 1.069 a 1.083. Eso es un empate, y decir lo contrario sería atribuir precisión a una encuesta que no la tiene.

Ten en cuenta también que Artificial Analysis sigue manteniendo una fila separada Drama 3 Preview en esa tabla con 1.063, en el puesto vigésimo. El checkpoint de producción y la vista previa que se lanzó en septiembre se puntúan como dos sistemas diferentes, así que una comparación que cite «Drama 3» sin decir a qué fila se refiere no es una comparación. Nuestros números aquí son los de la fila de producción.

La lectura práctica: si tu producto incluye su propio elenco de voces — un narrador, un agente de soporte, un personaje dentro del juego — la ventaja de Drama 3 es real y considerable. Si tu producto clona la voz de un cliente o de un creador y habla con ella, ambos modelos están prácticamente empatados, y la decisión recae entonces en el precio, la licencia y la cobertura de idiomas.

El empate de pronunciación del 93,2% es cuatro resultados diferentes

Ambos modelos aparecen con un 93,2 % en la prueba de robustez de pronunciación en inglés de Artificial Analysis —el resultado que el panel publicó el 20 de octubre, que los situó empatados en primer lugar entre 31 sistemas y por delante de Eleven v4, con un 91,7 %. Ese titular se ha repetido por todas partes y oculta la única parte que importa en términos operativos: los dos modelos fallan en tipos de texto opuestos.

• Secuencias exactas: Ming las conserva en un 90,6 %, el primero de 31; la cifra equivalente de Drama 3 es el 86,3 %. Los números de pedido, las URL, las rutas de archivo y los códigos de serie sobreviven mejor con Ming.

• Expansión de abreviaturas — Ming 96,5%, además primero de 31, frente al 93,6% de Drama 3. Fechas, unidades y abreviaturas pronunciadas en voz alta en lugar de deletreadas.

• Términos aislados — Drama 3 con 95,9 % frente a Ming con 88,5 %, donde Ming ocupa el puesto veintiuno de 31. Los nombres de marcas, los topónimos y el vocabulario técnico son la categoría más fuerte de Drama 3.

• Términos contextualmente apropiados — Drama 3 con 95,3%, Ming con 91,0% y decimotercero de 31.

La debilidad de Ming con los nombres aislados es coherente con su inventario de voces: el 0.5B incluye más de cien voces chinas integradas y cinco en inglés, así que su manejo de nombres propios en inglés tiene menos recursos con los que trabajar. La debilidad de Drama 3 es la imagen especular: un modelo entrenado para ofrecer una interpretación a veces presenta un número de código como si fuera una interpretación.

Ninguna de las dos cifras del 93,2 % está reportada por el proveedor. Ambas proceden del mismo entorno de pruebas independiente, razón por la que pueden compararse siquiera — y vale la pena señalar que esto es poco común en esta categoría, donde la mayoría de las tablas publicadas de errores de palabras las ejecutan los laboratorios con sus propios prompts.

Cuánto cuesta realmente un millón de caracteres

Drama 3 cobra según el tamaño de la entrada: US$50 por millón de bytes UTF-8, reducido a US$10 hasta el 12 de noviembre de 2026 a las 09:00 hora del Pacífico. Ese salto de cinco veces el 13 de noviembre es la cifra más grande de esta comparación, y cambia la clasificación de los dos modelos en coste por hora terminada según cuándo lo leas.

También hay una trampa de facturación que conviene conocer antes de conectar nada. Drama 3 mantiene el mismo endpoint POST /v1/tts que S2.1 Pro, y si la cabecera del modelo falta o está mal escrita, la solicitud recurre silenciosamente a s2.1-pro y te la cobra. Obtienes un audio plausible y ningún error, así que una errata en una variable de entorno puede pasar semanas funcionando antes de que alguien note que la voz es incorrecta.

Ming no tiene ninguna factura, lo que no es lo mismo que ser gratuito. Pagas en horas de GPU y en tiempo de ingeniería: el checkpoint de 0.5B ocupa 2.96 GB, necesita el VAE de audio, un codificador de hablante CAM++ y un tokenizador conectados entre sí, y no cuenta con ningún compromiso de soporte del proveedor detrás. Ant ha publicado tablas de benchmarks y una demo de Gradio, no un acuerdo de nivel de servicio.

Aquí es donde un enrutador resulta genuinamente útil y donde genuinamente no lo es. OrcaRouter pasa el precio de lista del proveedor con un 0% de margen, así que una promoción de un proveedor como la de Fish Audio llega el mismo día a todo lo que enrutamos —Drama 3 no está entre ellos, y Ming tampoco. Los endpoints de voz que sí ofrecemos hoy son la línea Gemini TTS de Google y el TTS-1-HD de OpenAI, todos accesibles a través de una sola API detrás de una única clave junto con los modelos de texto. Si estás comparando Drama 3 y Ming, ninguna capa de enrutamiento va a alojar a ninguno de los dos por ti; lo que una sola clave te aporta es el resto del pipeline a su alrededor.

La licencia decide más que la clasificación

MIT frente a la Fish Audio Community License v1.0 es la divergencia más radical de este par, y no es de carácter filosófico. Los términos MIT de Ming permiten que任何? Wait no. Need Spanish only. Let's craft final. "Los términos MIT de Ming permiten que cualquier empresa, sea cual sea su tamaño, integre el modelo en un producto de pago, lo revenda, lo ajuste mediante fine-tuning y distribuya el derivado, sin umbral de ingresos y sin necesidad de conversar con Ant." Should "fine-tune" maybe "lo afiné" no. "lo ajuste" okay. "ship the derivative" "distribuya el derivado". Good. "any company of any size" "cualquier empresa de cualquier tamaño". Use "sin umbral de ingresos ni conversación con Ant." This mirrors. Final.

La licencia de Drama 3 es gratuita para investigación y trabajos no comerciales, gratuita para uso comercial siempre que usted y sus filiales se mantengan por debajo de US$500,000 en ingresos anuales, y requiere una licencia negociada por encima de esa cifra —o a cualquier escala si desea ofrecer Drama 3 como servicio de texto a voz, clonación o inferencia. Las preguntas frecuentes de la propia ficha del modelo son más claras que la mayoría: el audio final para clientes está bien, una API de síntesis de la competencia no.

Un detalle que conviene verificar en lugar de dar por sentado: los metadatos de Hugging Face para fishaudio/drama-3 todavía indican fish-audio-research-license, mientras que el texto de la tarjeta describe la Community License. Si eres la persona que da la aprobación final del despliegue, lee el archivo de licencia en el repositorio, no la etiqueta.

Para un estudio que produce audio drama, el umbral de $500,000 no es problema y la cláusula de servicio es la que hay que leer. Para una empresa que integra una función de voz en un producto por encima de esa línea de ingresos, Drama 3 es una conversación de adquisiciones y Ming es un pip install.

¿Cuál elegir?

Voz de soporte o transaccional, en inglés o chino. Ming. Gana en las dos categorías que más importan cuando un bot lee de vuelta un número de pedido o una referencia de reserva, tiene licencia MIT y funciona en hardware que ya tienes. El empate en voz clonada significa que no renuncias a la naturalidad para conseguirlo.

Narración, audiodrama, guiones con mucha presencia de marca, muchos idiomas.Drama 3. La ventaja de la voz del proveedor es real, los nombres propios son su categoría más fuerte, y 83 idiomas frente a siete no es una brecha que se cierra con ingeniería de prompts. Presupuesta el cambio de precio de noviembre y lee la cláusula de servicio.

Un pipeline que ya realiza múltiples tomas. Drama 3, pero solo si realmente usas el bucle de revisión. Fish Audio lo entrenó con un modelo de recompensa basado en preferencias humanas y presenta la revisión multiturno como la forma de conseguir la interpretación que deseabas; Ming es un modelo de una sola toma sin mecanismo de revisión que sopesar frente a él, así que la estructura de tomas es una razón para elegir Drama 3 en lugar de una razón para compararlos.

Cualquier despliegue en el que la VRAM sea la limitación.Ming, sin discusión. Un modelo de mezcla de expertos de 35B que se evalúa en H200s no es un modelo que ejecutes porque sea conveniente.

Qué ver

Tres fechas y un hueco. El 13 de noviembre vence el precio promocional de Drama 3 y US$10 pasa a US$50, un movimiento de cinco veces que reordenará de la noche a la mañana todas las comparaciones de costes en esta categoría. Antes de eso, esté atento a si Artificial Analysis fusiona sus filas de Drama 3 y Drama 3 Preview, porque una tabla que enumera un modelo dos veces invita exactamente al tipo de cita descuidada que este artículo intenta no hacer. Y esté atento a una puntuación de Ming-3.0-tts-tiny: la variante MoE de 7.9B es la que Ant realmente promociona para la generación de pódcasts, y ahora mismo solo tiene cifras del proveedor — 0.820% de error de palabra en chino, 6.000% en coreano — sin nada independiente que las respalde.

El resumen honesto es que no son dos versiones del mismo producto. Uno es un pequeño caballo de batalla con licencia permisiva que resulta ser excelente justo con el texto que rompe los sistemas de voz; el otro es un gran motor de rendimiento con licencia restringida que resulta ser el modelo abierto con mejor sonido del panorama cuando usa su propio reparto. La ventaja de 91 puntos es real. Simplemente pertenece a una pregunta que la mayoría de los productos nunca se plantean.