GPT-Live-1 vs Fish Audio Drama 3: uno se puede descargar, el otro solo se puede alquilar

Fish Audio Drama 3 Preview se distribuye como 41,5 gigabytes de pesos descargables que puedes apuntar a tu propia GPU, inspeccionar, afinar y seguir ejecutando después de que el proveedor pierda el interés. GPT-Live-1 se distribuye como una URL. No hay pesos que descargar, ni una ruta de inferencia local, ni forma alguna de escucharlo sin abrir una sesión contra el endpoint de OpenAI v1/live/sessions a 0,05 dólares por minuto.

Eso suena a un detalle de adquisiciones. Es la decisión. Uno de estos modelos es un activo con una licencia adjunta; el otro es un servicio con un medidor adjunto, y ambos se comportan de manera completamente diferente cuando tu producto sobrevive a una página de precios.

Qué es realmente Drama 3

Fish Audio lanzó Drama 3 Preview a mediados de octubre de 2026: un modelo de síntesis de voz de mezcla de expertos de 35 000 millones de parámetros, con aproximadamente 3000 millones de parámetros activos por token, construido sobre una arquitectura base Qwen3.5-35B-A3B. Cubre 83 idiomas, admite hasta 16 hablantes distintos dentro de una sola solicitud, clona voces a partir de referencias breves y acepta indicaciones en lenguaje natural: dile que una frase debería sonar resignada, añade un sonido o marca qué palabras cambian, y lo interpreta en lugar de leerlo de forma plana.

El límite de varios hablantes es la función que importa comercialmente. Un drama de audio de dos intérpretes, un pódcast con presentador e invitado, un vídeo de formación con narrador y cliente: cada uno es una sola llamada a la API, no dieciséis archivos empalmados con tonos de sala discordantes.

En el Provider Voice Arena de Artificial Analysis, registrado el 29 de octubre de 2026, Drama 3 Preview se sitúa en 1240 Elo, undécimo en la clasificación general y primero entre las entradas de pesos abiertos, por delante de Breeze TTS 2 con 1228. Fish reporta un 93,2 % de robustez de pronunciación, la cifra más alta declarada en el lanzamiento y superior al 91,7 % que ElevenLabs reporta para Eleven v4.

Qué es realmente GPT-Live-1

El modelo de OpenAI es el tipo opuesto de objeto. Desde el 10 de septiembre de 2026, se puede invocar a 0,05 $ por minuto de voz, facturado por segundo, con entrada y salida de audio y texto, compatibilidad con streaming y llamadas a funciones, y explícitamente sin salidas estructuradas. Es dúplex completo: te escucha mientras habla y delega el razonamiento pesado a un modelo de texto en segundo plano.

No tiene producto de clonación de voz, ni modo multihablante, ni una forma documentada de tomar un guion y devolver un archivo de audio determinista. Lo que ofrece es una conversación. Para un agente telefónico, eso es exactamente lo adecuado. Para una escena con cuatro personajes, no es una herramienta peor: es la categoría equivocada de herramienta.

El número que ambas partes imprimen

Aquí hay un detalle que vale la pena señalar, porque confundirá a cualquiera que compare hojas de especificaciones: Drama 3 de Fish Audio y Ming-3.0-TTS de Ant Group informan ambos un 93,2 % de robustez de pronunciación en la misma medición de Artificial Analysis. Dos laboratorios diferentes, dos arquitecturas diferentes, el mismo valor hasta un decimal.

Eso no es un error de copiar y pegar, y no es un empate. Así se ve un techo: el 6,8 % restante es la cola dura del texto en inglés: secuencias alfanuméricas, nombres propios poco comunes, números leídos en contexto. Cualquiera que afirme una victoria decisiva en pronunciación entre los mejores modelos de pesos abiertos está leyendo ruido. La pregunta útil es qué casos de fallo contiene realmente tu contenido, y eso requiere probar tu propio texto, no leer una tabla de clasificación.

La licencia es la parte que nadie lee.

Drama 3 tiene pesos abiertos, no es código abierto en el sentido permisivo. Se distribuye bajo la Fish Audio Community License v1.0: gratis para investigación y trabajo no comercial, gratis para uso comercial por debajo de $500,000 en ingresos anuales, y requiere un acuerdo separado por encima de esa cifra. El alojamiento de API por terceros necesita su propia licencia, y se exige atribución.

Eso es una licencia razonable y una restricción real. De ello se derivan tres consecuencias:

• Por debajo del umbral de ingresos, el autoalojamiento es genuinamente gratuito: pagas la electricidad y el tiempo de GPU, y nada más.

• Por encima de eso, vuelves a estar en una negociación, y la ventaja de «somos dueños de los pesos» se reduce a «podemos seguir ejecutándolos mientras hablamos».

• Revender el acceso a tus propios clientes casi con total seguridad requiere el acuerdo por separado, independientemente de tus ingresos.

La licencia de GPT-Live-1 es más sencilla del mismo modo en que un contrato de alquiler es más sencillo: pagas por minuto, lo usas, paras. Sin umbral de ingresos, sin cláusula de atribución, sin obligación de revelar tu número de clientes. Esa sencillez vale algo, y vale más cuanto más pequeño eres.

Lo que realmente cuesta el hardware

El autoalojamiento de Drama 3 necesita aproximadamente 48 GB de memoria NVIDIA en FP8, y alrededor de 41,5 GB de eso son pesos. Una H100 o una instancia alquilada de clase A100 lo soporta; una tarjeta de consumo no, de forma cómoda. A continuación se presentan dos enfoques.

Si ya tienes la GPU, el coste marginal de la síntesis es casi cero y el precio del servicio alojado parece absurdo: Fish indica 50 $ por millón de caracteres, tiene una promoción de lanzamiento a 10 $ por millón hasta el 12 de noviembre de 2026, y Artificial Analysis registra el precio de referencia como 15 $. Una escena de diez minutos de unos 9.000 caracteres cuesta entre nueve centavos y cuarenta y cinco centavos, según cuál de esos tres números se te cobre realmente.

Si no eres propietario de la GPU, de todos modos estás alquilando una, y la comparación se convierte en horas-GPU frente a millones de caracteres. A un precio típico de 2 $ por hora-GPU, un modelo que sintetiza diez veces más rápido que el tiempo real produce alrededor de diez horas de audio por hora de alquiler —aproximadamente 540.000 caracteres a un ritmo normal de habla. Eso equivale a cerca de 3,70 $ por millón de caracteres, muy por debajo de todos los precios alojados en la tabla, pero solo con utilización sostenida. Por debajo de alrededor del 30 % de ciclo de trabajo, el alquiler no gana nada, y la suposición sobre el rendimiento es exactamente eso: una suposición que tienes que medir en tu propia instancia, no una cifra que publique Fish.

Frente a eso, el coste de GPT-Live-1 es lineal y aburrido: $0.05 por minuto, cada minuto, sin coste fijo ni riesgo de utilización. Diez minutos de conversación son $0.50. Diez minutos de narración de Drama 3 cuestan aproximadamente $0.135 al precio de lista registrado. Trabajos distintos, medidores distintos, y uno de ellos tiene un coste fijo que puedes amortizar.

Donde el alquiler todavía gana

La conformidad normativa es el argumento silencioso a favor del modelo alojado. Los pesos de Drama 3 pueden copiarse, ajustarse mediante fine-tuning para integrarlos en el producto de un competidor, o dejarse funcionando en una jurisdicción sobre la que tu equipo legal tiene opiniones. GPT-Live-1 te ofrece un endpoint, una factura y un proveedor que asume el riesgo del lado del modelo. Para una empresa regulada, eso no es pereza; es una prima de seguro.

La política de latencia es la segunda. La alternancia de turnos full-duplex es un comportamiento, no un punto de control: un turno de 0,8 segundos y una precisión del 87 % en la invocación de herramientas son las cifras que OpenAI reporta para este modelo, y ambas son cifras del proveedor, no mediciones independientes. No puedes descargar ese comportamiento con Drama 3, porque Drama 3 no está intentando escucharte.

Y la gestión de fallos es la tercera. Un modelo descargable falla cuando tu GPU falla. Un modelo alojado falla cuando falla el de otra persona, lo cual es un riesgo distinto —no obviamente peor— y uno que puedes cubrir.

Dónde poner el seto

La cobertura debe ir detrás de la capa de voz, no dentro de ella. Ninguno de estos modelos se ofrece a través de OrcaRouter: los pesos de Drama 3 no están en nuestro catálogo, y GPT-Live-1 tiene exactamente un endpoint y ninguna superficie compatible. Lo que sí se puede enrutar es el tramo de razonamiento del que depende un agente conversacional — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — accesibles mediante una clave única con conmutación automática por error, a precios de lista del proveedor transferidos con 0% de margen.

Ese es el lugar correcto para gastar tu presupuesto de redundancia. Un fallo en la salida de voz es ruidoso y evidente; el fallo del modelo de texto que está detrás es el que arruina en silencio la calidad de las llamadas durante una semana. Mantén el oído fijado al modelo que elijas. Mantén el cerebro intercambiable.

La decisión, en un párrafo cada una.

Elige Drama 3 si produces audio en lugar de conversaciones: escenas, pódcasts, doblaje, contenido de formación con varios personajes, y si estás por debajo del umbral de ingresos o dispuesto a negociar por encima de él. El MoE de 35B, el límite de dieciséis hablantes y los 1240 Elo son un paquete realmente sólido, y los pesos significan que nadie puede quitártelo.

Elige GPT-Live-1 si el producto es una conversación en vivo y el valor está en la gestión de interrupciones. Es más caro por cada minuto entregado, no te da nada que poseer y hace lo único que Drama 3 estructuralmente no puede: escuchar mientras habla.

Los dos aparecen uno al lado del otro en una hoja de especificaciones y no tienen nada que ver entre sí en la práctica. Cualquiera que compre uno esperando que haga el trabajo del otro concluirá que el modelo es malo, cuando en realidad nunca se le pidió hacer eso.