AssemblyAI-TTS-1 vs Fish Audio Drama 3 : un bouton de paiement contre un téléchargement de 41,5 Go

La première chose à comprendre quand on compareAssemblyAI-TTS-1àFish Audio Drama 3, c'est que l'un des deux est un fichier. Drama 3, publié le 13 octobre 2026, est un modèle vocal à mélange d'experts de 35 milliards de paramètres, publié sur Hugging Face sous le nom fishaudio/drama-3 — environ 41,5 Go de poids avant d'ajouter un codec, et environ 48 Go de VRAM pour le servir en FP8. AssemblyAI-TTS-1, en disponibilité générale depuis le 27 octobre 2026, à 15 $ par million de caractères, est un point de terminaison HTTPS dans US-East ou EU-North qui répond en moins d'un dixième de seconde et ne vous demande rien d'autre que du texte. Toute comparaison entre eux qui commence par des scores Elo part du mauvais point de départ, car les deux produits sont séparés par une décision opérationnelle avant de l'être par une décision de qualité.

Ce que 15 $ permettent d’acheter, et ce que 41,5 gigaoctets permettent d’acheter

Le côté AssemblyAI-TTS-1 se décrit rapidement. Un tarif fixe de 15 $ par million de caractères d’entrée couvrant toutes les voix de la bibliothèque (plus de 4 000), le clonage instantané à partir d’un échantillon de 24 secondes, des horodatages par mot, six langues au lancement (anglais, espagnol, français, allemand, italien, portugais), un traitement aux États-Unis ou dans l’UE, des points de terminaison WebSocket et HTTP ainsi qu’une route compatible OpenAI, un message d’annulation pour l’interruption, et une concurrence illimitée sans frais associés. Pas de SSML, pas de paramètre de vitesse, pas de dictionnaire de prononciation, pas de balises d’émotion, pas d’offre de clonage professionnel.

Le côté Drama 3 est un tout autre type de produit. C’est un MoE de 35B avec environ 3 milliards de paramètres actifs par token, initialisé à partir de Qwen3.5-35B-A3B, 40 couches, 8 experts routés sur 256 plus un partagé — ce qui explique qu’il puisse avoir un rendu expressif tout en tenant sur un seul accélérateur. Il couvre 83 langues, clone des voix, gère jusqu’à 16 locuteurs en une seule passe et accepte des indications de jeu en langage naturel entre crochets, comme [sighs], que le modèle interprète. Selon la fiche modèle de Fish elle-même, il est également conçu pour le jeu dirigé : doublage, narration, scènes à plusieurs personnages. La boucle téléphonique sous 100 ms n’est pas ce pour quoi il a été optimisé.

Cette distinction n’est une critique ni pour l’un ni pour l’autre. C’est même toute la raison d’être de ce comparatif : Drama 3 est le seul modèle de cette série dont vous pouvez être pleinement propriétaire, et AssemblyAI-TTS-1 est le seul de cette série que vous pouvez placer face à un appelant dès cet après-midi sans acheter de GPU.

Le calcul de concurrence est le véritable argument

Les deux fournisseurs publient chacun un chiffre de latence, et aucun des deux n'est directement comparable à l'autre ; considérez donc ce qui suit comme deux affirmations distinctes plutôt que comme une comparaison frontale.

• Drama 3, fiche modèle du fournisseur — 88,9 ms de délai médian avant le premier audio sur un seul flux sur un H200, facteur temps réel de 0,131, 271 trames par seconde. La prise en charge du serving a été ajoutée quelques jours après la sortie, et le même matériel maintient un délai médian avant le premier audio de 255 ms avec 128 flux simultanés, soit environ 222 secondes d’audio par seconde d’horloge murale.

• AssemblyAI-TTS-1, laboratoire du fournisseur — 47 ms de délai médian avant le premier octet ; mesuré indépendamment par Cekura à 159 ms de démarrage de streaming médian et 296 ms au p90, avec un débit de 162 caractères par seconde selon la mesure d’Artificial Analysis.

Regardez ce qui arrive au chiffre de Drama 3 à mesure que la charge augmente : 88,9 ms seul, 255 ms à 128 flux. C'est une courbe parfaitement correcte pour une chaîne de doublage et une courbe limite pour un centre d'appels, où chaque milliseconde avant que l'appelant entende quelque chose est une milliseconde de temps mort. La contre-affirmation d'AssemblyAI n'est pas un chiffre plus rapide, c'est l'absence de courbe — concurrence illimitée à un tarif fixe, parce que le problème d'ordonnancement est celui du fournisseur et que vous ne le voyez jamais. Que cette promesse survive à votre propre trafic est exactement ce qu'il faut tester, puisqu'une affirmation de concurrence illimitée sans comportement de mise en file d'attente publié est une affirmation à propos du cluster de quelqu'un d'autre.

Deux factures qui ne sont pas dans les mêmes unités

Fish affiche Drama 3 à 50,00 $ par million d’octets UTF-8, ce que la documentation du fournisseur assimile à environ douze heures de parole — soit environ 4,17 $ par heure d’audio. Une promotion de lancement à 10,00 $ par million d’octets, soit environ 0,83 $ par heure, est en cours jusqu’au 12 novembre 2026. AssemblyAI-TTS-1 à 15 $ par million de caractères revient à environ 0,81 $ par heure de parole, avec la même hypothèse généreuse d’environ 900 caractères par minute d’audio conversationnel ordinaire.

Ainsi, pendant la promotion, les deux sont affichés à une erreur d’arrondi près l’un de l’autre, et au prix catalogue, Fish est environ cinq fois plus cher par heure de production — et c’est avant d’acheter le H200. L’auto-hébergement ne supprime pas le coût : il transforme une facture au caractère en une facture à l’heure-GPU, à laquelle s’ajoute une personne qui sait le servir.

Deux pièges méritent d’être nommés, car il est facile de s’y laisser prendre.

• Les caractères ne sont pas des octets. Fish facture en octets UTF-8, AssemblyAI en caractères. Le texte anglais correspond à peu près à un octet par caractère, si bien que les deux semblent comparables ; les écritures japonaises, arabes ou truffées d'emoji gonflent le nombre d'octets et augmentent discrètement la facture de Drama 3 de 30 à 100 % pour un même script.

• Un en-tête de modèle absent n'échoue pas de manière explicite. La documentation de Fish indique elle-même qu'un identifiant de modèle absent ou mal orthographié bascule sur s2.1-pro à 15,00 $ par million d'octets — soit une majoration de 50 % par rapport au tarif promotionnel de Drama 3, pour un modèle différent, et sans aucune erreur dans la réponse.

Il y a un troisième chiffre en circulation, et il vaut la peine de le nommer car vous le rencontrerez sur un classement. La colonne des prix d’Artificial Analysis indique Drama 3 à 15,0 $ par million de caractères, ce qui ne concorde ni avec les 50 $ par million d’octets de Fish ni avec les 10 $ promotionnels. Trois chiffres — prix catalogue, promotion, normalisation du classement — et seuls les deux premiers proviennent du fournisseur. Le chiffre du classement est une unité de comparaison, pas un devis.

Le bloc de licence en bas de l'article

Drama 3 n’est pas open source au sens où la plupart des équipes l’entendent. Il est distribué sous la Fish Audio Community License v1.0 : l’utilisation commerciale est gratuite tant que le chiffre d’affaires annuel est inférieur à US$500,000, une licence distincte s’applique au-delà de ce seuil, et revendre le modèle en tant qu’API TTS hébergée exige un accord spécifique, quelle que soit la taille. Artificial Analysis le répertorie comme poids ouverts sans droits d’utilisation commerciale complète, ce qui est la description exacte.

AssemblyAI-TTS-1 n’a pas un tel verrou car il n’a pas de poids — vous ne pouvez pas l’auto-héberger, l’affiner, ni continuer à l’exploiter si le fournisseur modifie sa tarification. C’est le compromis que personne n’indique dans un tableau comparatif : la licence de Drama 3 limite ce que vous pouvez faire avec le modèle, et l’architecture d’AssemblyAI-TTS-1 limite ce que vous pouvez faire sans le fournisseur.

L'écart de qualité, énoncé une fois

Sur le Provider Voice Arena d’Artificial Analysis — consulté le 30 octobre 2026, donc la même exécution pour les deux — Drama 3 se classe sixième avec 1 278 Elo et AssemblyAI-TTS-1 quatorzième avec 1 227. Sur le Controlled Voice Arena, Drama 3 est douzième avec 1 085 et AssemblyAI-TTS-1 dixième avec 1 110, ce qui inverse l’ordre et vous indique que les deux classements mesurent des choses différentes : les voix standard dans le premier, la fidélité du clonage par rapport à une référence fixe dans le second. Drama 3 est le mieux classé des deux sur la voix naturelle, et les deux se situent dans la marge de bruit l’un de l’autre une fois l’enregistrement de référence maintenu constant.

Le nombre qui les sépare le plus nettement est la robustesse de prononciation, où Drama 3 arrive carrément en tête du classement — les sources situent ce chiffre entre environ 93 % et 95 % selon le moment où la page a été consultée, donc considérez le classement comme le fait et la décimale comme la décoration. AssemblyAI-TTS-1 obtient 81,7 % sur le même instrument, seizième, avec son sous-score le plus faible sur l’expansion des abréviations à 73,8 %. Si votre entrée est pleine d’abréviations, Drama 3 les gère sans dictionnaire. Si votre entrée est un numéro de téléphone lu à voix haute, le test indépendant de Cekura place AssemblyAI-TTS-1 premier de son domaine à 91,7 % sur exactement cette catégorie.

Les benchmarks internes de chacun des deux fournisseurs ne doivent pas être considérés comme indépendants. Les 99,0 % de précision des mots, le MOS prédictif de 3,85 et le score TTSDS de 85,5 d’AssemblyAI proviennent de son propre banc d’évaluation, sur ses propres ensembles de test réservés ; les 88,9 ms et 271 trames par seconde de Fish proviennent de sa propre fiche modèle. Les mesures réalisées par des tiers — Artificial Analysis, Cekura, Coval — sont les seules de cet article à avoir été produites par une partie qui n’a aucun produit à vendre.

Choisissez en fonction de ce que vous pouvez exploiter, et non de ce qui est mieux classé.

Il existe exactement trois situations dans lesquelles Drama 3 est la bonne réponse. Vous avez besoin d’une interprétation expressive et dirigée, avec des indications scéniques et plusieurs locuteurs en une seule passe — il n’y a pas de débat, AssemblyAI-TTS-1 n’a pas d’équivalent. Vous avez besoin d’une langue en dehors des six avec lesquelles AssemblyAI a été lancé — 83 contre 6, et la comparaison s’arrête là. Ou vous avez besoin du modèle sur votre propre matériel pour des raisons de résidence des données qu’une région fournisseur aux États-Unis ou dans l’UE ne satisfait pas — ce qui est une exigence réelle pour certaines charges de travail réglementées et la seule qui justifie le GPU.

Tous les autres achètent un agent téléphonique, et un agent téléphonique veut une facture forfaitaire, pas de file d’attente derrière le H200 de quelqu’un d’autre, et un problème de prononciation qu’il peut corriger. AssemblyAI-TTS-1 vous donne les deux premiers et ne vous donne pas encore le troisième. C’est la réalité honnête : Drama 3 est le meilleur modèle et le moins bon produit pour cette tâche.

Le compromis pratique sur lequel la plupart des équipes finiront par s’arrêter est de retenir les deux — Drama 3 pour l’audio généré que vous publiez comme contenu, AssemblyAI-TTS-1 pour la parole tour par tour dans la boucle en direct, avec un chemin de repli entre les deux. Maintenir un deuxième fournisseur TTS connecté relève de la même discipline qu’OrcaRouter applique à la partie modèles de langage de cette pile : une API pour plus de 200 modèles au prix catalogue du fournisseur avec 0 % de marge, un basculement automatique lorsqu’un fournisseur se dégrade, et un DSL de routage qui permet à un seul point de terminaison de servir plusieurs modèles au lieu de plusieurs contrats. Aucun de ces deux modèles vocaux ne figure aujourd’hui au catalogue d’OrcaRouter — les routes vocales que nous prenons en charge sont la famille tts-1 d’OpenAI et les aperçus Gemini TTS de Google — alors comprenez cela comme la teneur de l’argument plutôt que comme une suggestion selon laquelle vous pouvez acheter Drama 3 ici.

Qu’est-ce qui ferait changer ce verdict : que Fish publie une courbe de concurrence qui reste sous les 150 ms à l’échelle d’un centre d’appels, ou qu’AssemblyAI ajoute un dictionnaire de prononciation et quatre langues supplémentaires. Surveillez d’abord la seconde. Il s’agit d’un changement de configuration, et l’entreprise qui a proposé une grille tarifaire fixe de 15 $ a déjà montré qu’elle préfère faire la concurrence sur la facture.