Fish Audio Drama 3 vs VoxCPM2: Una tabla de clasificación frente a una hoja de datos

Fish Audio Drama 3 tiene un Elo y VoxCPM2 no, lo que hace imposible la comparación obvia entre ambos y fácil pasar por alto la interesante. Drama 3, anunciado el 13 de octubre de 2026 y puntuado por Artificial Analysis desde entonces, ocupa el sexto puesto de 100 en Provider Voice Arena con 1,278. VoxCPM2 no tiene fila en ninguno de los tableros de voz de Artificial Analysis y está ausente de ambas arenas citadas en esta página. Lo que ambos laboratorios sí publican es Seed-TTS-eval, y ahí las cifras dicen algo que una sola clasificación no podría: en la propia ejecución de cada proveedor, Drama 3 necesita dos pasadas para superar la única de VoxCPM2. La elección entre estos dos modelos no trata realmente de calidad. Trata de si quieres un motor de rendimiento que alquilas por carácter, o un modelo de dos mil millones de parámetros que puedes tener.

Uno tiene un Elo, el otro tiene una ficha técnica

Vale la pena enunciar la asimetría con claridad porque la mayoría de las páginas de comparación la ocultan discretamente. Drama 3 está en todas las tablas que importan: sexto de 100 en Provider Voice Arena con 1.278, duodécimo de 49 en Controlled Voice Arena con 1.085, empatado en el primer puesto de 31 en robustez de pronunciación en inglés con 93,2%. VoxCPM2 no aparece en ninguna de ellas.

Esa ausencia no es un escándalo, y no es nueva. VoxCPM2 está disponible desde la primavera de 2026 —la documentación del proyecto data la línea 2.0 en marzo, el repositorio la etiqueta como 2026.04 y el informe técnico apareció en junio como arXiv:2606.06928— y en todo ese tiempo nadie lo ha puesto en una arena de escucha a ciegas. La explicación más probable es aburrida: las plazas de las arenas suelen ser ocupadas por proveedores que tienen un endpoint alojado que promocionar, y OpenBMB no vende ninguno. VoxCPM2 distribuye pesos en Hugging Face y ModelScope, y un servidor /v1/audio/speech compatible con OpenAI a través de vLLM-Omni, y esa es toda la historia de distribución.

Así que la postura honesta es esta: podemos comparar Drama 3 con una puntuación, o podemos comparar los dos modelos entre sí. No podemos hacer ambas cosas a la vez, y cualquier página que presente un Elo de VoxCPM2 frente a Drama 3 se está inventando uno.

El único eje que ambos publican

Seed-TTS-eval es lo más parecido que tiene este campo a una vara de medir común, y ambos laboratorios informan sobre él. La trampa es que ninguno publica una tabla completa en el mismo formato, así que lo que sigue son dos proveedores midiéndose a sí mismos.

• Tasa de error de palabras en inglés — Drama 3 informa 1,54 % en una toma final y 2,20 % en su primera toma; VoxCPM2 informa 1,84 % en una sola pasada. La toma terminada de Drama 3 es la mejor de las tres cifras y su primera toma es la peor.

• Tasa de error en chino — Drama 3 con 0,83 % de CER en una toma final, 1,00 % en su primera toma; VoxCPM2 con 0,97 % de CER. El mismo patrón, con la toma final de Drama 3 por delante y su primera toma más o menos a la par.

• Similitud de locutor — Drama 3 reporta 0,640 en inglés (una escala de 0 a 1); VoxCPM2 reporta 75,3 en inglés y 79,5 en chino, que según la convención de 0 a 100 usada en el resto de su informe son 0,753 y 0,795. VoxCPM2 es el clonador más potente según sus propias cifras.

• Prueba de estrés más amplia — VoxCPM2 también publica tasas de error de CV3-eval en once idiomas (3,65 % zh, 5,00 % en, 8,55 % zh difícil, 9,85 % fr, 4,25 % it, 5,21 % ru) y un promedio interno de 1,68 % en 30 idiomas. Drama 3 no publica ninguna tabla equivalente de errores por idioma, así que no hay nada que poner junto a ellas.

Toma en serio la brecha de similitud y a la ligera la brecha de errores de palabra. La similitud del hablante es la métrica con más probabilidades de sobrevivir a una diferencia de harness, porque es una distancia coseno entre embeddings del mismo audio de referencia. Las tasas de error de palabras dependen de la normalización, del preprocesamiento del texto y de qué clips de referencia se usaron, y no se exigía que los dos laboratorios coincidieran en nada de eso. La dirección es creíble —VoxCPM2 clona con más fidelidad, Drama 3 transcribe con más precisión después de la revisión—, pero las magnitudes no constituyen una medición.

El impuesto por las revisiones que nadie menciona en el titular

El 1,54 % y el 2,20 % son el mismo modelo en la misma prueba, y solo se diferencian en si la toma se aceptó a la primera. El informe técnico de Fish Audio es inusualmente honesto al respecto: incluye ambos, porque la revisión de múltiples tomas es el producto. La propuesta es que dirijas una línea en lenguaje sencillo, escuches, redirijas y conserves la toma que quieras, y el benchmark refleja la que conservas.

Si así es como funciona tu pipeline, el 1,54 % es la cifra que verás. Si estás transmitiendo una sola pasada en una llamada en vivo, una línea de diálogo de un juego o un renderizado por lotes sin intervención humana, estás comprando el 2,20 %, peor que el 1,84 % de una sola pasada de VoxCPM2. Esa inversión es el dato más útil de esta comparación y el que ninguna de las tablas de los proveedores hace evidente. También pone precio al flujo de trabajo: cada toma adicional es otra síntesis completa, y Drama 3 factura por caracteres de entrada, así que la costumbre de hacer tres tomas multiplica la factura por tres.

VoxCPM2 no tiene un mecanismo de revisión de este tipo. Ofrece cuatro modos de generación —zero-shot, continuación, solo referencia y referencia combinada más audio de prompt— y su respuesta a una toma mala es volver a renderizar con etiquetas de estilo diferentes. Más económico por intento, porque no pagas por carácter, pero sin memoria a nivel de modelo de la toma rechazada.

El mínimo de hardware es la decisión real

Aquí es donde los dos modelos dejan de ser sustitutos.

• Huella de VoxCPM2: unos 8 GB de VRAM, un factor de tiempo real de aproximadamente 0,30 en una RTX 4090 y 0,13 con Nano-VLLM; el proyecto también reporta 1,76 con Q8_0 en un Apple M4 Pro mediante llama.cpp-omni. Se ejecuta en una estación de trabajo.

• Huella de Drama 3 — Fish Audio no publica un mínimo de VRAM. Su tabla de rendimiento se midió en H200s: 166,7 fotogramas por segundo y una mediana de 88,9 ms hasta el primer audio con un solo flujo concurrente, 927,6 fotogramas/s con dieciséis, 1.687 fotogramas/s con sesenta y cuatro, con un RTF de 0,131 en la configuración de un solo flujo. Los revisores sitúan el requisito de bf16 en una tarjeta de 48 GB, y las compilaciones comunitarias de 4 bits afirman aproximadamente 32 GB. Se ejecuta en un servidor o en el de otra persona.

• Salvedad sobre el throughput: la publicación de lanzamiento cita 271 fotogramas por segundo de un solo H200, mientras que la tabla de streaming de la model card alcanza un máximo de 166,7 con una sola solicitud. Ambas cifras pueden ser ciertas en configuraciones de medición distintas, pero eso significa que la cifra de velocidad destacada no es la que reproducirá tu prueba de carga.

Las cuentas son las siguientes. Un millón de caracteres equivale aproximadamente a entre quince y veinte horas de habla final a un ritmo normal de narración. En una 4090 con un RTF de 0,30, eso son de cinco a seis horas de tiempo de GPU; en la API de Fish Audio cuesta US$10 durante la promoción de lanzamiento y US$50 después de que finalice el 12 de noviembre. Autoalojar VoxCPM2 es más barato por hora de audio y mucho más barato por hora de experimentación — puedes iterar en el diseño de una voz durante una tarde sin mirar el contador.

El enrutamiento no disuelve esa elección, así que vale la pena ser precisos sobre lo que hace. OrcaRouter no aloja ninguno de los dos modelos; Drama 3 está disponible a través de la propia API de Fish Audio y varias plataformas de terceros, y VoxCPM2 está disponible como pesos que tú mismo sirves. Lo que sí ofrecemos es la parte de voz del pipeline en torno a ellos —la línea TTS de Gemini y TTS-1-HD de OpenAI, con conmutación automática entre proveedores, de modo que un endpoint alojado que deje de estar operativo no haga caer el producto con él. Si la pregunta es «¿cuál de estos dos ejecuto?», la respuesta la decide la VRAM, no el enrutamiento.

Dirigir una actuación frente a diseñar una voz

Los dos modelos discrepan sobre dónde tiene lugar el trabajo creativo, y esa discrepancia es arquitectónica y no cosmética.

Drama 3 es una herramienta para directores. Escribes instrucciones entre corchetes antes de las palabras a las que se aplican — [con la voz entrecortada, llorando en silencio] — y las cambias a mitad de la frase. Las etiquetas emparejadas restringen una indicación a palabras específicas: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. La pronunciación se puede fijar fonema por fonema con CMU Arpabet, pinyin o romaji, y las escenas toman un ID de voz por hablante como una matriz. Se pueden revisar varias tomas haciendo referencia a tomas anteriores, y el inpainting a nivel de palabra vuelve a renderizar una única palabra marcada para que encaje con la toma que la rodea — aunque tanto la edición interactiva como el inpainting siguen en pruebas solo por invitación, con una API de edición anunciada como próxima.

VoxCPM2 es una herramienta de diseño. Su función estrella es Voice Design: describe a un hablante en lenguaje natural y obtienes una voz sin ningún audio de referencia. Además, hace clonación zero-shot, continuación a partir de un prompt, clonación solo con referencia usando un canal de referencia aislado (así no necesitas la transcripción que coincida con el clip) y control de estilo mediante etiquetas. La limitación está en el alcance: modela una voz y una forma de hablar, no una escena. No hay sintaxis de array de hablantes, ni modo de diálogo con múltiples personajes, ni reparación a nivel de palabra.

Para un audio drama con dos intérpretes, esa diferencia lo decide antes que cualquier benchmark. Para un producto que necesita una voz de marca consistente en todo un catálogo, el modo de diseño de VoxCPM2 es el camino más corto, y la sintaxis de dirección de Drama 3 es en gran medida una carga innecesaria.

Frecuencia de muestreo, idiomas y el argumento del códec

• Salida — VoxCPM2 emite 48 kHz mediante un AudioVAE V2 asimétrico que codifica a 16 kHz y decodifica a 48 kHz; Drama 3 se mantiene en 44,1 kHz y genera mediante un Descript Audio Codec de diez codebooks a aproximadamente 21,5 fotogramas por segundo. Los 3,9 kHz adicionales de VoxCPM2 son reales, pero rara vez audibles frente a un formato de entrega comprimido.

• Arquitectura — VoxCPM2 no usa tokenizador por diseño, predice latentes continuos directamente sobre una arquitectura base MiniCPM-4 y sostiene que el códec de audio es el cuello de botella; Drama 3 conserva tokens discretos y dedica sus 35B a un decodificador de predicción multitoken de libros de códigos que predice los nueve libros de códigos residuales después de los dos primeros. Dos apuestas sobre dónde reside el límite de calidad.

• Idiomas — 83 declarados para Drama 3, frente a 30 para VoxCPM2 más nueve dialectos chinos (sichuanés, cantonés, wu, nororiental, henanés, shaanxi, shandong, tianjinés, minnan). Si necesitas tailandés, vietnamita, hebreo y suajili, VoxCPM2 tiene los cuatro y Drama 3 no es claramente mejor en ninguno de ellos; si necesitas 83, solo uno de estos está en la conversación.

• Datos de entrenamiento — VoxCPM2 se entrenó con 2,36 millones de horas de habla (1,8 millones de horas en chino e inglés, más 560 mil horas multilingües), una cifra que su documentación indica con exactitud. Fish Audio no publica una cifra equivalente, lo cual no es tanto una crítica como otro punto en el que los dos artículos no están escritos para compararse.

La licencia: el único aspecto en el que VoxCPM2 gana claramente

VoxCPM2 es Apache 2.0. Cualquier empresa, con cualquier nivel de ingresos, puede integrarlo, modificarlo, ajustarlo, redistribuirlo y vender el resultado, sin umbrales y sin negociación. El ajuste fino con LoRA y SFT está soportado y documentado.

Drama 3 está amparado por la Fish Audio Community License v1.0: gratuito para investigación y trabajo no comercial, gratuito para uso comercial mientras usted y sus afiliadas se mantengan por debajo de US$500.000 en ingresos anuales, y con una licencia negociada por encima de esa cifra —o con cualquier tamaño si desea ofrecer Drama 3 como servicio de TTS, clonación de voz o inferencia. El audio final para clientes está explícitamente permitido con cualquier nivel de ingresos; no así una API de síntesis competidora. Artificial Analysis lo señala como «pesos abiertos sin derechos de uso comercial», que es un resumen adecuado en una línea de la barrera.

También hay un detalle que conviene comprobar 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. Lee el archivo de licencia en el repositorio antes de crear un producto basado en la etiqueta.

Para una empresa con financiación que lanza una función de voz, esa es toda la comparación en una sola línea: VoxCPM2 no te cuesta nada en revisión legal; Drama 3 te cuesta una conversación con un equipo de ventas.

Elige por restricción, no por puntuación

Tienes una GPU y un producto que lanzar. VoxCPM2. Ocho gigabytes, Apache 2.0, 48 kHz y un modo de diseño de voz que te consigue una voz de marca utilizable en la primera tarde. Renuncias a la dirección de escenas y a la mejor puntuación de voz de proveedor de la categoría.

Estás produciendo audio guionizado con intervención humana.Drama 3. Las indicaciones entre corchetes, las etiquetas con alcance, los cambios a mitad de frase y la corrección a nivel de palabra son lo más parecido que tienen los pesos abiertos a una sesión de grabación, y el WER del 1,54 % en inglés es lo que se consigue con el bucle de revisión. Incluye en el presupuesto el cambio de precio del 12 de noviembre y lee primero la cláusula de servicio.

Necesitas un idioma fuera de los treinta. Drama 3, o ninguno de los dos — pero verifica el idioma específico con las propias afirmaciones de cobertura de Fish Audio en lugar del «83» que aparece en la etiqueta.

Estás clonando la voz de una persona concreta a escala. La similitud de locutor de VoxCPM2 es la mejor cifra de esta página, y su canal de referencia aislado significa que puedes clonar a partir de un clip sin una transcripción coincidente. La ventaja de Drama 3 es la dirección, no la fidelidad a una referencia.

Lo único que no se debe hacer es clasificarlos. No hay una arena compartida, ni un estudio compartido de preferencias humanas, ni un banco de pruebas de errores compartido — solo un modelo con un Elo y otro con una ficha técnica, y una decisión que depende del hardware que tengas y de lo que la licencia te permita hacer con él.