Fish Audio Live 3 vs Drama 3: Un modelo lee el guion, el otro escucha la sala

Fish Audio Live 3 y Fish Audio Drama 3 no son dos respuestas a la misma pregunta, y tratarlos como rivales es la forma más rápida de comprar el equivocado. Drama 3, que Fish Audio publicó el 2026-10-13, es un modelo de texto a voz: le das palabras y una indicación de interpretación, y devuelve audio. Live 3, anunciado el 2026-11-10, es un modelo de voz dúplex para llamadas de agentes: escucha mientras habla, decide cuándo una pausa significa «sigue» y cuándo significa «he terminado», y puede reaccionar en tan solo 186 milisegundos según Fish Audio. Uno es un renderizador; el otro es un interlocutor.

La confusión es comprensible porque ambos son modelos de Fish Audio, ambos son recientes y ambos se venden con la promesa de ser buenos en algo en lo que los otros modelos de Fish Audio no lo eran. Pero se sitúan en capas distintas de una pila de voz, se documentan por separado y solo uno de ellos aparece en la lista de precios publicada por Fish Audio. Por lo tanto, la comparación útil no es cuál es mejor, sino para qué trabajo está pensado cada uno en realidad y dónde convergen dentro de un mismo producto.

Qué hace cada modelo según la documentación

Drama 3 es un modelo de conversión de texto a voz, y la evidencia pública que lo respalda es la preferencia y la pronunciación, no la toma de turnos. En el Provider Voice Arena de Artificial Analysis ocupa el sexto puesto con un Elo de 1.278; en el Controlled Voice Arena, donde cada modelo se evalúa frente a las mismas voces de referencia, ocupa el duodécimo puesto con 1.085. En ambas tablas es el modelo de pesos abiertos mejor clasificado de la tabla, y el registro anterior de Drama 3 Preview —el que acaparó la atención de la prensa en octubre— sigue apareciendo por separado con 1.240 y 1.063. En el benchmark English Pronunciation Robustness obtiene un 93,2 % global, empatado en primer lugar entre 31 modelos puntuados junto con Ming-3.0-tts, y el desglose por categorías importa más que el titular: 95,9 % en términos aislados como marcas y nombres técnicos, 93,6 % en la expansión de formas abreviadas como números y fechas, 86,3 % en la preservación de secuencias exactas como códigos y rutas, y 95,3 % en pronunciación contextualmente adecuada.

La evidencia pública de Live 3 tiene una forma completamente distinta. El anuncio de Fish Audio se articula en torno a la conversación en lugar del renderizado, y sus tres ejemplos prácticos giran por completo en torno a la sincronización.

• Un número de teléfono leído en fragmentos —"415… 555… 0132"— donde Live 3 podría decir "mm-hmm" o "vale, 415" entre los fragmentos y luego esperar al resto.

• Una persona que llama dice «sí» o «mm-hmm» mientras el agente lee en voz alta el horario de apertura, y Live 3 continúa en lugar de tratar ese asentimiento como una interrupción.

• Una persona que llama y modifica un pedido a mitad de frase —«dos pizzas… no, tres. Tres grandes. Y… en realidad, que una de ellas sea una margherita»—, donde Live 3 espera durante cada corrección en lugar de actuar sobre el primer pedido completo plausible.

Fish Audio afirma que el modelo puede decidir responder en tan solo 186 milisegundos, describiendo reacciones breves como «mm-hmm», «okay» y confirmaciones rápidas, en lugar de respuestas completas. Solo habla inglés en el lanzamiento y está disponible en Fish Agent Platform, a través de la API de Fish Audio y en las instalaciones para empresas. Lo que no tiene es ningún benchmark publicado, ninguna puntuación independiente —Artificial Analysis no incluye ninguna fila de dúplex de Live 3 a fecha de 2026-11-11— ni una línea en el tarifario de Fish Audio.

Por qué las unidades de precios te dicen que son productos diferentes

Fish Audio factura Drama 3 en bytes UTF-8 del texto de entrada: $50.00 por millón de bytes según la tarifa de lista, con una promoción de lanzamiento de $10.00 por millón vigente hasta el 2026-11-30. La documentación de la propia compañía convierte un millón de bytes UTF-8 en aproximadamente 180,000 palabras en inglés, o unas doce horas de habla, lo que sitúa a drama-3 en alrededor de $4.17 por hora de audio generado según la tarifa de lista, y en torno a $0.83 por hora durante la promoción. Esa unidad existe porque el TTS tiene una cantidad conocible de texto que entra y una cantidad conocible de audio que sale.

Live 3 no encaja en absoluto en esa unidad, y está ausente de la tarifa. Una llamada de agente dúplex no tiene un guion fijo: el audio de entrada es lo que diga quien llama, el audio de salida es todo lo que el modelo decida decir, y el costo interesante son los minutos de conexión en lugar de los bytes de texto. Fish Audio no ha publicado qué métrica utilizará, por lo que la columna de Live 3 en cualquier comparación de costos está en blanco en lugar de ser barata.

Lo que ambos modelos sí comparten es una plataforma. Agent Platform de Fish Audio, actualmente en beta pública, aloja agentes Live 3 y expone una superficie REST bajo /v1/agent/* con SDKs para JavaScript y React, canales para un widget web, un número de teléfono o un cliente personalizado, y autenticación mediante token de sesión. El hook de LLM personalizado de esa plataforma apunta a un endpoint compatible con OpenAI, que es el punto de unión donde se incorpora una capa de razonamiento de tu propia elección.

Donde se unen en un solo producto

La pregunta interesante no es qué modelo gana, sino cómo se ve un único producto cuando ambos se usan para aquello en lo que son buenos. Una línea de reservas necesita Live 3 en la llamada en vivo, porque la llamada es donde ocurren las pausas y las correcciones. El mismo producto normalmente también necesita Drama 3, o un modelo similar, para todo lo que no es una conversación: la confirmación leída de vuelta después de la llamada, el saludo del buzón de voz, el recordatorio saliente, la narración de formato largo en la página de marketing que llevó hasta allí a la persona que llamó. Esos son trabajos de renderizado con un guion conocido, y las fortalezas publicadas de Drama 3 —preferencia entre los oyentes, 93,2 % de pronunciación, 83 idiomas, los pesos abiertos publicados bajo la Fish Audio Community License v1.0 con un límite de ingresos de $500,000— son exactamente las fortalezas que necesita un trabajo de renderizado.

Esa separación tiene una consecuencia de costo que vale la pena decir claramente, porque es donde una capa de enrutamiento deja de ser una abstracción. La capa de razonamiento detrás de un agente Live 3 puede apuntar a cualquier lugar que hable el protocolo de OpenAI; OrcaRouter se sitúa detrás de ese endpoint con 216 modelos desde una sola clave, al precio de lista del proveedor sin margen y con conmutación por error automática cuando un proveedor falla, de modo que el planificador dentro del agente se puede cambiar sin tocar la capa de voz ni el número de teléfono. Un DSL de enrutamiento decide qué modelo gestiona cada tipo de llamada, y la fusión de modelos permite que un modelo barato redacte una llamada a herramienta mientras uno más potente la revisa antes de que se ejecute. OrcaRouter no aloja Fish Audio Live 3 ni Drama 3 — ninguno está disponible mediante un endpoint de terceros, y la capa de voz de esta arquitectura sigue con Fish Audio. Lo que aloja es todo lo que rodea a la voz.

Cuál realmente necesitas

Necesitas Drama 3 si la salida es un archivo. Narración, audiolibros, anuncios, voz de personaje, doblaje, lecturas de accesibilidad — cualquier cosa en la que una persona haya escrito las palabras y un oyente las escuchará una vez, pulidas. Tiene las puntuaciones de preferencia, el desglose de pronunciación, el recuento de idiomas y una tarifa publicada por byte con la que puedes hacer previsiones. También es de pesos abiertos, lo cual importa si necesitas ejecutarlo tú mismo.

Necesitas Live 3 si la salida es una conversación que tiene que sobrevivir a las interrupciones. Agentes telefónicos, líneas de reservas, toma de pedidos, clasificación de soporte: cualquier caso en el que quien llama responde y el modo de fallo es que se le hable por encima o tener que repetir una secuencia de dígitos. Tiene un argumento de comportamiento, un umbral de latencia del proveedor y una plataforma, y todavía no tiene ni un benchmark ni un precio.

Probablemente necesitas ambos si estás creando un producto de voz en lugar de una demo, y la división sigue la línea entre lo en vivo y lo renderizado. El error que hay que evitar es elegir uno para que haga el trabajo del otro: un modelo de TTS no puede decidir cuándo dejar de hablar, y un modelo de agente dúplex es una forma cara y sin evaluar de producir un saludo de buzón de voz. Fish Audio vende ambos, las unidades de precio son diferentes a propósito, y la hoja de ruta que los trata como un solo producto pronosticará mal sus propios costos desde el primer mes.