Fish Audio Drama 3 Preview domine l'arène vocale des modèles à poids ouverts

Fish Audio Drama 3 Preview est le modèle que Fish Audio a publié le 13 octobre 2026, et dès le lendemain matin, il avait pris la première place parmi les systèmes à poids ouverts du classement de synthèse vocale d’Artificial Analysis. Ce qui rend cette position digne d’un second regard, ce n’est pas le sommet — c’est le prix qui y est associé. Cette entrée affiche un tarif catalogue de 15,00 $ par million de caractères, tandis que chaque modèle classé à proximité coûte deux à cinq fois plus cher, et les deux modèles directement au-dessus d’elle dans le classement, ElevenLabs Eleven v4 Turbo et ElevenLabs Eleven v4, sont des systèmes fermés avec une tarification au caractère qui évolue dans le mauvais sens pour quiconque produit de l’audio long format.

Sur le classement Provider Voice Arena, où les voix de chaque fournisseur s’affrontent entre elles, Fish Audio Drama 3 Preview occupe la 10e place avec un Elo de 1 243. Il se classe derrière la paire ElevenLabs à 1 330 et 1 328, derrière Cartesia Sonic 3.6 à 1 286, derrière Qwen-Audio-3.1-TTS-Plus à 1 300 et Qwen-Audio-3.0-TTS-Plus à 1 268, et derrière Gemini 3.8 Flash TTS à 1 274. Il devance la deuxième entrée en open weights, Breeze TTS 2, qui se situe à 1 221 et coûte 34,00 $ par million de caractères — un peu plus du double du tarif de Drama 3 Preview. Sur les 97 modèles de ce classement, 17 sont en open weights, et le nouveau preview de Fish Audio est le mieux classé d’entre eux.

Lisez le nombre avec ses barres d'erreur attachées. L'intervalle rapporté par le classement pour cette entrée va de 1 226,8 à 1 258,8, soit environ 1 857 comparaisons à l'aveugle, sur 8 voix d'arène. Face à Breeze TTS 2, l'écart est confortable. Face à Speechify Simba 3.2 à 1 245 et 6,60 $, il ne l'est pas — c'est un écart de 2 points avec des intervalles qui se chevauchent, et personne ne devrait fonder une décision d'achat là-dessus. Le résumé honnête, c'est que Drama 3 Preview a placé un modèle à poids ouverts dans le top dix d'un classement où il n'avait auparavant rien à faire, et ce à un prix de milieu de gamme.

Ce qu'est réellement le modèle

Fish Audio décrit Drama 3 Preview comme un modèle mélange d’experts de 35 milliards de paramètres, avec environ 3 milliards de paramètres actifs par token. Il utilise une pile d’attention hybride — Gated DeltaNet combiné à une attention complète à portes — associée à un décodeur codebook-MTP et à un tokeniseur basé sur DAC fonctionnant à 44,1 kHz. La fusion partielle des codebooks ne réinjecte que les deux premiers codebooks dans la boucle. L’entraînement s’est déroulé en trois étapes de pré-entraînement, puis un affinage par instructions, puis un apprentissage par renforcement contre un unique modèle de récompense fondé sur les préférences humaines, sans façonnage de récompense basé sur des règles.

L'affirmation sur le débit qui l'accompagne est ce qui intéressera le plus les praticiens : Fish Audio rapporte 271 trames par seconde sur un seul H200, contre 177 pour le modèle S2 auquel il succède, bien qu'il embarque bien plus de paramètres. Il s'agit d'un chiffre fourni par le vendeur, et non d'un benchmark vérifié, et il variera en fonction du batching et de la longueur des séquences — mais la tendance est cohérente avec une architecture creuse qui fait ce que les architectures creuses sont censées faire.

La surface d'API n'a pas changé par rapport au point de terminaison S2.1 Pro. Les requêtes sont envoyées à POST https://api.fish.audio/v1/tts, et une requête qui omet le champ model ou qui en nomme un que le service ne reconnaît pas revient à s2.1-pro au lieu de générer une erreur. Ce repli est pratique et mérite d'être connu, car il signifie qu'une faute de frappe dans le nom du modèle produit un audio plausible dans la mauvaise voix plutôt qu'une erreur 400.

Contrôle de la mise en scène, dialogue en une seule prise et réparation d’un seul mot

Trois fonctionnalités distinguent cette version de la génération précédente, et toutes trois visent le travail de production scripté plutôt que la conversation en direct.

• Direction en langage naturel. Au lieu d'un vocabulaire de balises fixe, le modèle accepte des instructions descriptives simples telles que [nerveux, au bord de craquer] ou [chaleureux et détendu, comme si l'on parlait à un vieil ami], et il peut changer d'émotion ou de diction au milieu d'une phrase sans générer une nouvelle prise. Les balises en ligne appariées comme <whisper>…</whisper> et les indications comme [sigh] ne s'appliquent qu'au texte qu'elles encadrent ; ainsi, une réplique peut changer de registre à mi-parcours par construction plutôt que par hasard.

• Dialogue multi-locuteurs en une seule passe. Chaque personnage conserve sa propre voix au sein d’une même génération, ce qui supprime l’étape d’assemblage qui se situe habituellement entre un modèle TTS et une scène finalisée. Pour la fiction audio et les dialogues de jeu, c’est la différence entre un pipeline et un projet de recherche.

• Inpainting audio. Un segment peut être resélectionné, recevoir une nouvelle instruction et être régénéré indépendamment, ce qui constitue la solution de flux de travail pour le mot mal prononcé qui entraînait auparavant un nouveau rendu complet. Fish Audio répertorie l'expérience d'édition interactive, l'outil d'inpainting et une API d'édition comme étant sur invitation uniquement ou bientôt disponibles, donc la capacité existe mais l'interface n'est pas encore généralement accessible.

Fish Audio revendique également 83 langues avec une cohérence linguistique sur de longs scripts et des changements en milieu de scène, un contrôle de la prononciation au niveau des phonèmes en anglais, chinois, japonais, coréen et plusieurs autres langues, ainsi qu’un clonage vocal de style S2 à partir de clips de référence d’environ 10 à 30 secondes. La démo de lancement utilisait un clone vocal d’Uncle Roger dont l’entreprise affirme qu’il a été créé et utilisé avec autorisation.

L’affirmation sur la prononciation, et d’où elle vient

L'annonce de Fish Audio indique que Drama 3 Preview obtient un score global de 93,2 % dans un classement Artificial Analysis Pronunciation Robustness et y occupe la première place, devant ElevenLabs Eleven v4 et Eleven v4 Turbo. Les sous-scores qu'elle publie sont de 95,9 % sur les noms, les marques et les termes techniques, contre 87,3 % pour Fish Audio S2.1 Pro ; 95,3 % sur les mots dépendant du contexte, contre 86,1 % ; 93,6 % sur les nombres, les dates et les unités, contre 92,7 % ; et 86,3 % sur les codes, les chemins et les adresses e-mail, contre 79,4 %.

Ces chiffres proviennent de l'annonce de Fish Audio elle-même. Lorsque j'ai cherché le tableau de bord pour lire directement les scores par modèle, les chemins de robustesse de la prononciation renvoyaient des 404 et l'interface du classement que je pouvais charger affichait le classement Elo sans y associer de chiffre de prononciation par modèle pouvant être cité. Chaque chiffre du paragraphe ci-dessus est donc rapporté par le fournisseur et devrait être étiqueté comme tel dans toute présentation qui l'utilise. Les chiffres Elo ailleurs dans cet article sont différents : je les ai relevés sur le tableau de bord, et ils comportent les intervalles de confiance propres au tableau de bord.

Le grief sous-jacent que l'affirmation aborde est réel, quel que soit le chiffre auquel on se fie. La prononciation des noms propres, des codes produit et des chemins de fichiers est le mode de défaillance qui pousse les équipes à revenir aux voix humaines, et c'est celui que la plupart des fournisseurs de TTS ont été les plus lents à corriger, car ce n'est pas un problème de prosodie. Un modèle qui traite 86,3 % des codes, chemins et e-mails contre 79,4 % pour un prédécesseur se trompe encore environ une fois sur sept.

Que signifie « poids ouverts » dans le cadre de cette licence ?

Fish Audio Drama 3 Preview est distribué sous la licence Fish Audio Community License v1.0. Lisez les conditions avant de planifier en fonction de celles-ci. La licence est gratuite pour la recherche et les usages non commerciaux, et elle est gratuite pour un usage commercial si vous et vos affiliés restez sous 500 000 $US de chiffre d’affaires annuel. Au-delà de ce seuil — ou si vous souhaitez proposer le modèle en tant que service de synthèse vocale, de clonage vocal ou d’inférence, quelle que soit votre taille — vous avez besoin d’une licence de Fish Audio. La gamme S2 reste régie par une licence de recherche distincte. Le clonage de la voix d’une personne réelle sans consentement est formellement interdit.

Le seuil commercial est corroboré de manière indépendante : le classement Artificial Analysis signale cette entrée comme étant en poids ouverts sans droits d’utilisation commerciale, ce qui est cohérent avec une licence conditionnée à un seuil de revenus plutôt qu’avec une licence sans restriction. Si vous êtes un petit studio, les poids ouverts sous cette licence constituent une option tout à fait envisageable. Si vous êtes une plateforme qui revend de l’inférence, il ne s’agit pas de poids ouverts au sens où vous l’espériez.

Tarification et l'offre de lancement

Le prix catalogue de l’API est de 50 $ par million de caractères, avec une remise de 80 % pour descendre à 10 $ par million du 13 octobre au 12 novembre 2026. Les crédits Creator correspondent à S2.1 Pro, et les nouveaux forfaits Plus, Pro et Max sont à moitié prix pendant la même période. Artificial Analysis enregistre le prix du classement à 15,00 $ par million de caractères avec les paramètres par défaut, ce qui est le chiffre à utiliser pour comparer avec les autres entrées de ce classement plutôt qu’avec la grille tarifaire de Fish Audio elle-même.

La fenêtre promotionnelle est la partie qui comporte une véritable échéance. À 10 $ par million de caractères, Drama 3 Preview est bien moins cher que pratiquement tous les modèles concurrents du classement, et de loin. À 50 $, il est plus cher que Cartesia Sonic 3.6 à 49 $ et bien au-dessus de Qwen-Audio-3.0-TTS-Plus à 19,30 $. Quiconque établit un modèle de coûts sur le tarif réduit devrait en établir un second sur le tarif catalogue et vérifier que le projet tient toujours.

Où cela s'inscrit dans une stack de production

L’audio scripté, rendu une seule fois, est le point idéal : livres audio, fiction audio, dialogues de jeux et d’animation, vidéos courtes. La génération multi-locuteurs en une seule passe et le flux de travail d’inpainting servent tous deux ce type de travail, et la tarification est par caractère plutôt que par minute, ce qui favorise les longs scripts. L’édition interactive et l’API d’édition ne sont pas encore généralement disponibles, donc un flux de travail qui en dépend est un flux de travail qui dépend d’une invitation.

La question opérationnelle qui vient ensuite est celle du routage, et elle est plus difficile à trancher pour la parole que pour le texte. Fish Audio Drama 3 Preview ne fait pas partie des modèles disponibles sur OrcaRouter aujourd'hui. On y accède par l'API propre du fournisseur et par plusieurs plateformes tierces. Il en va de même pour la plupart des modèles comparés ci-dessus — le top dix du classement de la parole est un ensemble de points de terminaison propres à chaque fournisseur, avec une authentification propre à chaque fournisseur, et chacun constitue sa propre intégration et son propre domaine de panne. Quant à OrcaRouter, ses ~200 modèles derrière une seule clé, au prix catalogue du fournisseur et sans margecouvrent le travail de texte, de vision et de raisonnement, et son basculement automatique existe précisément pour le cas où le point de terminaison d'un fournisseur se dégrade en cours d'exécution. Le schéma pratique pour un chemin de parole en production consiste à garder le fournisseur de parole en direct et à placer tout ce qu'il orchestre — la summarisation, la passe de traduction, le générateur de dictionnaire de prononciation, le classifieur QA — derrière un point de terminaison unique routé, afin qu'un basculement à cet endroit n'emporte pas le pipeline de rendu avec lui.

L'essentiel

Fish Audio Drama 3 Preview est un résultat bien réel, et non un artefact de la semaine de lancement : 10e au Provider Voice Arena avec un Elo de 1 243, premier parmi les 17 entrées à poids ouverts du classement, à 15,00 $ par million de caractères contre 34 $ pour le modèle à poids ouverts juste en dessous. Les écarts avec le haut du classement restent importants, et les intervalles de confiance chevauchent ceux de ses plus proches voisins ; la couronne des poids ouverts n’est donc qu’une position de départ, pas une avance. Le chiffre de 93,2 % pour la prononciation est celui du fournisseur et n’a pas pu être relevé de manière indépendante dans le classement. La licence comporte un plafond de revenus de 500 000 $ US pour l’utilisation commerciale, ce qui l’exclura totalement pour certaines équipes. Et le tarif de 10 $ expire le 12 novembre 2026.

Pour un studio qui produit de l’audio scénarisé à grande échelle, la combinaison d’une génération multi-locuteurs en une seule passe, de l’inpainting d’un seul mot et d’une licence open-weights sous le seuil de chiffre d’affaires constitue l’argument le plus fort ici — plus fort que la position au classement qui fera les gros titres.

Des choix de modèles comme celui-ci sont aussi là où les modes de défaillance se manifestent : les incidents d'IA documentés et les défaillances d'agents associés aux modèles de cette classe sont recensés dans the OrcaRouter AI Incident Archive , où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.