Fish Audio Drama 3 occupe désormais simultanément les deux arènes de la parole — et aucun des deux chiffres n’est celui que vous avez vu la semaine dernière

Le classement contient deux fiches pour un même produit. Fish Audio Drama 3 occupe la sixième place de l’Artificial Analysis Provider Voice Arena avec un Elo de 1 278 et la douzième place de la Controlled Voice Arena avec 1 085, et sur les deux tableaux, c’est le modèle à poids ouverts le mieux classé du tableau. La fiche intitulée Fish Audio Drama 3 Preview — celle qui a fait l’objet d’articles de presse lorsque Fish Audio l’a publiée le 2026-10-13 — est toujours répertoriée séparément, à 1 240 et 1 063. Cela représente un écart de 38 points sur un tableau et de 22 sur l’autre, pour ce que la page produit du fournisseur lui-même présente comme un seul modèle sous deux noms. Si vous avez cité un Elo de Drama 3 au cours des deux dernières semaines, voici l’article qui vous dit lequel des deux vous citiez.

Ce que les panneaux disent réellement aujourd'hui

Les deux chiffres ont été relevés sur Artificial Analysis le 29 octobre 2026, et tous deux affichent le même tarif de 15,00 $ par million de caractères consigné au tableau ; l’écart de 38 points n’est donc pas une variation de prix — ce sont deux évaluations de deux états archivés du même modèle. Les positions des voix de fournisseurs au-dessus de Drama 3 sont toutes des systèmes fermés : Eleven v4 Turbo à 1 336 et 40,00 $, Eleven v4 à 1 334 et 80,00 $, Qwen-Audio-3.1-TTS-Plus à 1 305 et 19,30 $, Cartesia Sonic 3.6 à 1 296 et 49,00 $, et Google Gemini 3.8 Flash TTS à 1 283 et 16,50 $. Chacune de ces offres coûte plus cher par million de caractères que l’entrée Fish Audio classée immédiatement en dessous.

Le tableau à voix contrôlée est l’endroit où les deux fiches Drama 3 se distinguent le plus nettement au classement, et où l’affirmation concernant les poids ouverts est la plus facile à vérifier, car tous les modèles y sont évalués sur les mêmes voix de référence fixes plutôt que sur le catalogue propre à chaque fournisseur. Écart complet pour les entrées en poids ouverts à ce jour :

• Voix du fournisseur — Fish Audio Drama 3 1 278 (#6) ; Fish Audio Drama 3 Preview 1 240 (#12) ; Breeze TTS 2 1 228 (#13) ; Voxtral 3 TTS 1 223 (#15).

Voix contrôlée — Fish Audio Drama 3 1 085 (#12) ; Ming-3.0-tts 1 068 (#17) ; Fish Audio Drama 3 Preview 1 063 (#20) ; Breeze TTS 2 1 021 (#28).

• L'écart qui compte — sur les voix contrôlées, Drama 3 reste encore derrière Eleven v4 (1 156, #4), Inworld Realtime TTS-2 (1 146, #7) et Google Gemini 3.8 Flash TTS (1 053, #24) se situe en dessous, mais les systèmes fermés en tête de ce classement ne sont pas à quatre points d'écart, ils sont à soixante-dix. HeyGen Voice le devance à 1 193.

Deux choses en découlent. Premièrement, « premier parmi les poids ouverts » est vrai aujourd'hui sur les deux arènes, et ce n'est une égalité ni sur l'une ni sur l'autre. Deuxièmement, la marge sur le classement contrôlé — 17 Elo d'avance sur Ming-3.0-tts avec un cinquième du nombre de paramètres — se situe dans la plage où quelques milliers de votes peuvent changer l'ordre, alors considérez-la comme une avance plutôt que comme un verrou.

Le score de prononciation est une première place partagée, et non une première place absolue.

L'annonce de Fish Audio cite 93,2 % au benchmark English Pronunciation Robustness d'Artificial Analysis, contre 88,1 % pour son précédent S2.1 Pro, et le décrit comme le meilleur score du classement. C'était exact lorsque le score a été publié le 20 octobre 2026, avec une réserve que le texte marketing omet : Ming-3.0-tts d'Ant Group a atteint le même 93,2 %, de sorte que le classement affiche une égalité à la première place parmi 31 modèles évalués plutôt qu'un seul leader. Eleven v4 se situe à 91,7 % et Eleven v4 Turbo à 90,1 %.

Le chiffre agrégé masque un véritable compromis. La force de Drama 3 réside dans les noms propres et les mots dépendants du contexte — 95,9 % sur les termes isolés tels que les marques, les lieux et les noms techniques, et 95,3 % sur les mots dont la lecture dépend de la phrase. Sa faiblesse concerne tout ce qui doit être reproduit caractère par caractère : 86,3 % sur les codes, les chemins et les adresses e-mail, domaine où Ming atteint 90,6 %. La seule catégorie où Drama 3 perd franchement est le développement des formes abrégées — nombres, dates et unités — avec 93,6 % contre 94,1 % pour Eleven v4. Si votre chaîne de traitement lit à voix haute des numéros de commande, des codes de pièces ou des chaînes de suivi, le taux phare de 93,2 % est le mauvais chiffre sur lequel planifier ; c’est le 86,3 % qu’il faut retenir.

Ce qui a été livré le 2026-10-13, et ce que changent seize jours

Rien de tout cela ne constitue un lancement, et il ne faut pas le présenter comme tel. Fish Audio a intégré le modèle à son application web, à ses applications iOS et Android ainsi qu’à son API le 13 octobre 2026, avec l’identifiant de modèle d’API « drama-3 ». Ce qui est nouveau ces deux dernières semaines, c’est l’évaluation indépendante du modèle commercialisé, et non l’existence du modèle. Les conséquences pratiques de cette distinction méritent d’être explicitées, car la couverture antérieure de ce modèle — y compris sur ce blog — a été rédigée d’après les données de Preview.

L’architecture n’a pas changé entre les deux enregistrements : un mélange d’experts de 35 milliards de paramètres initialisé à partir de Qwen3.5-35B-A3B, avec environ 3 milliards de paramètres actifs par token et 8 experts routés sur 256, plus un expert partagé, activés. Quarante couches organisées en blocs répétés de trois couches Gated DeltaNet et une couche d’attention complète avec porte, de sorte qu’une seule couche sur quatre conserve un cache KV. Le décodeur est une conception codebook-MTP — quatre couches partagées alimentant neuf couches pleine largeur, une par codebook acoustique — et seuls les codebooks 0 et 1 sont réinjectés dans le backbone. Le tokenizer est la même configuration Descript Audio Codec que celle utilisée par S2 : 44,1 kHz, dix codebooks, environ 21,5 trames par seconde, entièrement causal. Une petite incohérence mérite d’être signalée, car elle embrouillera quiconque compare les deux sources : l’annonce de Fish Audio indique 35 milliards de paramètres, et la fiche du modèle Hugging Face rapporte une taille de modèle de 36B. La différence est probablement une convention d’arrondi ou de comptage des embeddings plutôt qu’un checkpoint différent, mais ce sont les deux nombres que vous trouverez à chaque endroit.

Le débit sur un seul H200 est un chiffre fournisseur de 271 trames par seconde, contre 177 pour S2, ce qui est ce qu'un MoE de 35B avec un chemin actif de 3B est censé vous apporter. Le service passe par SGLang-Omni. Les poids sont sur Hugging Face sous fishaudio/drama-3 — environ 40 Go répartis sur un ensemble de fragments safetensors plus un fichier codec séparé — et l'inférence FP8 nécessite environ 48 Go de VRAM, aucun chemin CPU ou ROCm n'étant documenté. Cette dernière contrainte est celle qui tranche la plupart des questions d'auto-hébergement, et elle fait l'objet de la comparaison Breeze TTS 2 plutôt que de celle-ci.

Trois prix, et la carte n'est pas celle sur laquelle vous devriez vous baser pour planifier.

Ici, les sources doivent être explicites, car trois chiffres circulent et deux d’entre eux ne sont pas ce qu’ils semblent être. Artificial Analysis indique $15.00 par million de caractères pour les deux entrées Drama 3. La page d’annonce de Fish Audio elle-même mentionne un prix catalogue de $50.00 par million de caractères, avec un tarif de lancement de $10.00, soit 80 % de réduction, jusqu’au 2026-11-12. Et la documentation développeur de Fish Audio facture dans une troisième unité tout à fait différente : par million d’octets UTF-8, avec drama-3 à $50.00, s2.1-pro à $15.00, et le tarif de lancement à $10.00 jusqu’au 2026-11-12 09:00 PT. L’anglais tourne autour d’un octet par caractère, si bien que les chiffres en octets et en caractères sont à peu près interchangeables pour le texte anglais, mais divergent fortement pour les écritures qui coûtent plus d’un octet par glyphe.

Les 15,00 $ affichés sur le classement méritent qu’on s’y attarde plutôt qu’on hausse les épaules, car il s’agit exactement du tarif catalogue de s2.1-pro, le modèle précédent de Fish Audio, et non du tarif du modèle en cours d’évaluation. Soit le classement a enregistré un chiffre mixte ou reporté, soit il a facturé le modèle à un tarif que Fish Audio ne publie pas pour lui. Le chiffre sur lequel établir un budget est celui du tableau tarifaire propre à Fish Audio : 50,00 $ par million d’octets UTF-8 au tarif catalogue, ce que la documentation du fournisseur assimile à environ 180 000 mots anglais, soit environ douze heures de parole — disons 4,17 $ par heure d’audio finalisée. Une remise de lancement qui expire dans deux semaines n’est pas une grille tarifaire ; à 10,00 $, ces mêmes douze heures coûtent environ 0,83 $.

Licence : poids ouverts, pas open source, et une clause qui pèse lourd

Les poids sont publiés sous la Fish Audio Community License v1.0. L’utilisation à des fins de recherche et non commerciale est gratuite. L’utilisation commerciale est gratuite si vous et vos sociétés affiliées restez sous un chiffre d’affaires annuel de 500 000 USD ; au-delà de ce seuil, ou si vous souhaitez proposer Drama 3 comme service de synthèse vocale, de clonage de voix ou d’inférence, vous avez besoin d’une licence séparée de Fish Audio. La licence interdit également de cloner la voix d’une personne réelle sans son consentement, et la FAQ de Fish Audio considère que « produire des audios finis pour des clients » est autorisé, ce qui est la clause qui compte pour les agences et les studios de postproduction. S2 reste sous la Research License plus stricte, de sorte que les deux générations ne sont pas interchangeables dans un déploiement commercial.

Artificial Analysis répertorie le modèle comme étant à poids ouverts, sans droits d’utilisation commerciale complète. C’est la description honnête : vous pouvez le télécharger et l’exécuter, mais vous ne pouvez pas forcément vendre l’accès à celui-ci. Quiconque envisage de bâtir un produit hébergé sur ces poids devrait lire la clause de service avant de construire la page de facturation, et non après.

Où cela laisse un pipeline de production

La raison pour laquelle le résultat des deux arènes mérite un billet plutôt qu’une note de bas de page, c’est qu’il change ce qu’une équipe peut supposer. Il y a seize jours, l’affirmation défendable était qu’un modèle à poids ouverts était entré dans le top dix d’un classement de préférences et revendiquait une avance en prononciation selon sa propre évaluation. Aujourd’hui, le verdict indépendant est plus étroit et plus fort : c’est le meilleur modèle à poids ouverts sur les deux arènes, il occupe une première place partagée en prononciation plutôt qu’une première place exclusive, et il y parvient à un tarif de milieu de gamme avec des poids que tout le monde peut télécharger.

Drama 3 ne fait pas partie des modèles disponibles sur OrcaRouter. On y accède via l'API propre à Fish Audio et plusieurs plateformes tierces, et un article qui prétendrait le contraire vous mentirait sur la seule chose à laquelle ce blog sert. Ce que nous faisons relève de l'autre moitié du problème : ~200 modèles derrière une seule clé, au prix fournisseur, sans marge, le basculement automatique en cas d'échec, le DSL de routage et la fusion de modèles permettent à un pipeline qui appelle déjà d'autres fournisseurs d'intégrer un modèle comme celui-ci sans second contrat ni second SDK. Si Drama 3 devient la voix de narration d'une file de rendu soumise à une échéance, l'intérêt de tout router via un seul endpoint est qu'un chemin de nouvelle tentative existe déjà.

Quoi surveiller au cours des deux prochaines semaines, par ordre d’impact sur la situation : si l’écart de 22 points entre les deux enregistrements Drama 3 se réduit ou s’élargit à mesure que davantage de votes arrivent sur l’entrée retail ; si Ming-3.0-tts passe devant en prononciation une fois son score de noms propres à la 21e place remesuré avec un nombre de spans plus grand ; et si quelqu’un en dehors de Fish Audio reproduit le chiffre de 271 frames par seconde sur du matériel qui n’est pas un H200. Les chiffres de l’arène sont suffisamment établis pour être cités. Le chiffre de débit reste une affirmation de fournisseur, et la licence reste l’élément le plus susceptible de déterminer si une équipe peut utiliser ceci tout court.