Fish Audio Drama 3 vs Breeze TTS 2 : la comparaison à poids ouverts qui se conclut sur un chiffre de VRAM

Fish Audio Drama 3 et Breeze TTS 2 sont les deux modèles de synthèse vocale à poids ouverts les mieux classés sur le Provider Voice Arena d'Artificial Analysis, séparés de 50 points Elo, et ils ne sont pas vraiment en concurrence pour le même déploiement. Drama 3 est un mixture-of-experts de 35 milliards de paramètres qui nécessite une seule carte de 48 Go. Breeze TTS 2, de BreezeBlue, est un modèle dense de 3 milliards de paramètres avec un code d'inférence PyTorch publié. Cette différence d'empreinte tranche davantage de questions d'achat que l'écart Elo, car un modèle que l'on ne peut pas exécuter n'est pas un modèle que l'on peut évaluer — et les deux licences tirent en sens inverse par-dessus le marché.

Même étiquette, deux types différents de poids ouverts

Les deux entrées affichent un lien vers les poids sur le tableau, et toutes deux seraient décrites dans un communiqué de presse comme ouvertes. Ni l’une ni l’autre n’est open source, et les restrictions ne sont pas de la même forme.

Les poids de Breeze TTS 2 ont été publiés sur Hugging Face le 2026-08-25 sous le nom BreezeBlue/Breeze-TTS-2, accompagnés du code d'inférence PyTorch, sous une licence de recherche et non commerciale. C'est un obstacle dirimant à tout déploiement commercial sans accord séparé, et cela n'a pas changé depuis. L'entreprise a annoncé le modèle les 2026-08-16 et 2026-08-17 comme un modèle vocal en temps réel pour les médias interactifs, a ouvert une API hébergée à 34 dollars par million de caractères, et a publié les poids neuf jours plus tard. BreezeBlue a été fondée par Yang Bin, ancien cofondateur technique de MiniMax, sur un tour d'amorçage de 6 millions de dollars mené par Yuanjing Capital et Redpoint China.

Fish Audio Drama 3 est distribué sous la Fish Audio Community License v1.0, qui est nettement plus permissive sur le point qui compte le plus pour la plupart des équipes : l'usage commercial est gratuit en dessous de 500 000 $ US de revenus annuels pour vous et vos entités affiliées, et la FAQ considère comme autorisée la production d'audio finalisé pour des clients. Au-delà de ce seuil, ou si vous souhaitez héberger Drama 3 en tant que service de synthèse vocale, de clonage vocal ou d'inférence, vous avez besoin d'une licence de Fish Audio. La licence interdit également de cloner la voix d'une personne réelle sans son consentement. S2 — le prédécesseur — reste sous la Research License, plus stricte, de sorte que les deux générations de Fish Audio ne peuvent pas être traitées comme une seule catégorie juridique.

Le verdict pratique : Breeze TTS 2 est le modèle le plus facile avec lequel expérimenter et le plus difficile à commercialiser ; Drama 3, c’est l’inverse. Si votre évaluation est une démo de recherche ou un outil interne, la licence de Breeze ne vous gêne pas et son empreinte de 3B rend l’expérimentation peu coûteuse. Si votre évaluation aboutit à un produit, ce sont les conditions de Fish Audio qu’un juriste signera sans négociation.

Un détail sur la fiche modèle de Breeze mérite d'être signalé, car il est désormais obsolète. L'introduction de la fiche indique encore que le modèle « se classe n°1 parmi les modèles à poids ouverts sur le classement TTS d'Artificial Analysis ». C'était vrai au moment de sa rédaction ; le classement actuel place Breeze TTS 2 à la treizième position pour les voix de fournisseurs et à la vingt-huitième pour les voix contrôlées, derrière les deux entrées Fish Audio. Les fiches modèles vieillissent plus vite que les classements, et un lecteur qui ne consulterait que la fiche repartirait avec un classement erroné.

Les chiffres de l’arène, et pourquoi l’écart de voix contrôlée est le plus important

Relevé sur Artificial Analysis le 29/10/2026 :

• Provider Voice Arena — Fish Audio Drama 3 au 6e rang avec un Elo de 1 278 et un tarif consigné au classement de 15,00 $ par million de caractères ; Breeze TTS 2 au 13e rang avec 1 228 et 34,00 $. Un écart de 50 points, les modèles classés entre eux étant tous des systèmes fermés.

• Controlled Voice Arena — Fish Audio Drama 3 au rang 12 avec 1 085 ; Breeze TTS 2 au rang 28 avec 1 021. Un écart de 64 points, et c’est le classement où chaque modèle est évalué sur les mêmes voix de référence fixes au lieu des voix conçues par son propre fournisseur.

• Le sens de l’élargissement — l’avantage de Drama 3 gagne 14 points lorsque l’on retire le catalogue vocal propre au fournisseur de la comparaison. C’est le chiffre le plus utile dans cette confrontation, car il indique que l’avance de Fish Audio n’est pas un artefact de l’agrément de ses voix standard.

Cinquante ou soixante-quatre points Elo représentent une différence réelle dans les tests de préférence en aveugle, et ce n’est pas une différence qui subsiste lorsqu’il est le seul modèle de la comparaison. Les deux sont bien loin de la frontière fermée : Eleven v4 Turbo arrive en tête du classement des fournisseurs avec 1 336, et HeyGen Voice arrive en tête du classement contrôlé avec 1 193. Ce que cette paire de modèles à poids ouverts offre, c’est un plancher auto-hébergeable, et non une frontière.

Ce dont chacun a réellement besoin pour fonctionner

C'est ici que la comparaison cesse d'être abstraite.

• Drama 3 — 35 B de paramètres au total, environ 3 B actifs par token, 8 experts routés sur 256 plus un expert partagé. Les poids représentent environ 40 Go répartis sur un ensemble de shards, plus un fichier codec séparé, et l’inférence en FP8 requiert environ 48 Go de VRAM. Fish Audio ne documente aucun chemin CPU, Apple Silicon ou ROCm. Sur un seul H200, le fournisseur annonce 271 trames par seconde contre 177 pour S2, ce qui est l’avantage de l’architecture creuse ; ce chiffre est rapporté par le fournisseur et n’a pas été reproduit en dehors de Fish Audio.

• Breeze TTS 2 — 3 milliards de paramètres denses. Un checkpoint BF16 pèse environ 6 Go, il tient donc confortablement sur une carte de 24 Go et vraisemblablement sur des cartes plus petites avec quantification. Le code d’inférence se trouve dans le dépôt plutôt que d’être implicite. Aucun chiffre de latence publié au niveau d’un seul flux, mais le modèle a été conçu et vendu pour les médias interactifs en temps réel, une exigence différente de celle de la narration haute fidélité.

Tokeniseur — Drama 3 conserve la configuration du Descript Audio Codec de S2 : 44,1 kHz, dix codebooks, environ 21,5 trames par seconde, entièrement causal. Le tokeniseur de Breeze TTS 2 n’est pas quelque chose que je peux citer à partir d’une source primaire, et une comparaison qui en inventerait un serait une fausse précision.

La conséquence est sans détour. Une équipe disposant de quatre cartes de 24 Go peut faire tourner Breeze TTS 2 dès aujourd’hui, mais ne peut pas faire tourner Drama 3 sans recourir à des astuces de sharding que Fish Audio ne documente pas. Une équipe disposant d’une carte de classe H200 doit choisir entre un modèle adapté à son matériel et un modèle supérieur de 50 Elo. Ni l’une ni l’autre de ces réponses n’est mauvaise ; ce sont des réponses à des questions différentes.

Coût en volume, dans l'unité que Fish Audio facture réellement

La documentation de Fish Audio indique des tarifs par million d’octets UTF-8, et non par caractère, ce qui change les calculs pour quiconque n’écrit pas en anglais. Selon cette même documentation, un million d’octets UTF-8 représente environ 180 000 mots anglais ou douze heures de parole. Drama 3 est affiché à 50,00 $ par million d’octets — soit environ 4,17 $ par heure audio finalisée — avec un tarif de lancement de 10,00 $, soit environ 0,83 $ de l’heure, jusqu’au 12 novembre 2026 à 09:00 PT. Breeze TTS 2 est à 34,00 $ par million de caractères, et avec la même conversion approximative, cela représente environ 2,83 $ de l’heure.

Le classement s’inverse donc selon le jour où vous achetez. Pendant la promotion, Drama 3 coûte environ un tiers du coût horaire de Breeze TTS 2. Après le 2026-11-12, Drama 3 au tarif catalogue est environ 47 % plus cher par heure que Breeze — tout en étant meilleur de 50 à 64 points Elo sur les arènes et nettement meilleur sur la prononciation. Et pour le texte en CJK ou en cyrillique, la facturation à l’octet fait encore grimper Drama 3 : un caractère de trois octets coûte trois fois ce que coûte un caractère anglais selon ce barème, alors qu’un fournisseur facturant au caractère applique le même prix aux deux.

Deux détails de facturation issus de la même documentation méritent d'être repris dans un modèle budgétaire, car tous deux gonflent discrètement les dépenses réelles. Les limites de débit portent sur les requêtes simultanées, et non sur les requêtes par seconde — 5 en simultané au niveau starter, 15 à partir de 100 $ payés, 50 à partir de 1 000 $ — et une requête au-delà de la limite renvoie un 429 sans en-tête retry-after, si bien qu'un moteur de rendu parallèle naïf doit implémenter son propre backoff. Et les requêtes qui désignent un identifiant de modèle absent ou sans correspondance exacte sont servies et facturées comme le modèle par défaut, ce qui, côté TTS, signifie qu'un en-tête Drama 3 mal orthographié pendant la promo peut vous facturer au tarif de S2.1 Pro au lieu de la remise.

Placer les deux derrière un seul pipeline

Ni Fish Audio Drama 3 ni Breeze TTS 2 ne fait partie des modèles disponibles sur OrcaRouter. Chacun est accessible via l’API propre à son fournisseur et, dans le cas de Fish Audio, via des plateformes tierces ; la version honnête de cette section l’indique au lieu de laisser entendre une voie que nous n’avons pas.

La couche d’orchestration est une question à part, et c’est là que la séparation en deux modèles prouve son utilité. Un petit studio qui veut Drama 3 pour la narration et Breeze TTS 2 pour les prompts d’interface en temps réel fait tourner deux SDK, deux grilles tarifaires et deux modes de panne pour tenir une seule échéance. En routant le reste de la pile via un seul point de terminaison au tarif catalogue du fournisseur, sans marge, avec un basculement automatique entre les fournisseurs amont, le choix du fournisseur de TTS devient une ligne de configuration plutôt qu’un second contrat — et le DSL de routage peut composer un appel de modèle avec l’étape audio au lieu de les assembler tant bien que mal dans le code applicatif.

Si vous en choisissez un aujourd’hui et que le matériel est déjà acheté, la décision est presque déjà prise pour vous : 48 Go de VRAM relèvent d’une autre ligne budgétaire que 6 Go, et la licence de Breeze limitée à la recherche implique une autre analyse juridique que la licence communautaire de Drama 3 plafonnée selon les revenus. Si vous en choisissez un pour la qualité dans la catégorie des modèles à poids ouverts, la réponse est Drama 3, sur les deux arènes comme sur la prononciation, et l’argument du prix ne tient que pour les deux prochaines semaines.