Fish Audio Drama 3 vs Gemini 3.8 Flash TTS : Google est désormais le moins cher, et cela renverse l'argument habituel

Ramenez le prix de ces deux offres à la minute d'audio fini, et la comparaison cesse de ressembler à celle que le marché fait depuis le début de l'année. Google Gemini 3.8 Flash TTS facture 9,00 $ par million de tokens audio, et l'audio se génère à 25 tokens par seconde — un peu plus de deux centièmes de cent par seconde, soit environ 0,81 $ par heure de parole. Fish Audio Drama 3 est affiché à 50,00 $ par million d'octets UTF-8, ce que la documentation du fournisseur lui-même assimile à environ douze heures de parole : environ 4,17 $ par heure au tarif catalogue, et 0,83 $ par heure pendant la promotion de lancement qui se termine le 2026-11-12. Le modèle vocal phare de Google est donc cinq fois moins cher que le challenger à poids ouverts une fois la remise expirée, et à peu près au même prix tant qu'elle dure. Le cadrage habituel — un modèle ouvert et agile qui vend moins cher qu'un hyperscaler — est ici exactement inversé, et comprendre pourquoi fait toute la décision.

L’arithmétique, avec suffisamment de détails pour vérifier

L’unité de Google est le token, pas le caractère, ce qui explique pourquoi les chiffres phares semblaient peu remarquables à côté des fournisseurs facturant le texte au caractère. Gemini 3.8 Flash TTS génère de l’audio à raison de 25 tokens par seconde de parole, à 9,00 $ par million de tokens jusqu’à la fin de 2026, et le modèle qu’il remplace — Gemini 3.1 Flash TTS Preview — était facturé 20,00 $ pour le même million de tokens de sortie. Gemini 3.8 Flash-Lite TTS, lancé en même temps le 23/09/2026, propose une liste de langues plus courte et un tarif encore plus bas, et Artificial Analysis l’enregistre à 11,00 $ par million de caractères à des fins de comparaison.

L'unité de Fish Audio est l'octet, et non le caractère, et sa documentation énonce clairement la conversion : un million d'octets UTF-8 représente environ 180 000 mots anglais, soit à peu près douze heures de parole. À 50,00 $ par million d'octets, cela fait 4,17 $ de l'heure, avant tout surcoût. Au tarif promotionnel de 10,00 $, cela tombe à 0,83 $. Les crochets de direction sont facturés comme du texte d'entrée, si bien qu'un script fortement dirigé coûte 10 à 25 % de plus que ne le suggère son nombre de mots — et dans cette confrontation, chaque crochet est facturé, car tout le principe de Drama 3 est que vous écrivez le jeu dans le script.

• Prix catalogue, par heure de parole — Gemini 3.8 Flash TTS environ 0,81 $ ; Drama 3 environ 4,17 $.

• Prix promotionnel, par heure — Gemini 3.8 Flash TTS environ 0,81 $ ; Drama 3 environ 0,83 $. En pratique, égalité.

• Unité — jetons par seconde de sortie du côté Google ; octets UTF-8 d’entrée du côté Fish Audio. Ce sont deux unités honnêtes. Ce ne sont pas les mêmes unités, et toute comparaison « par million de X » qui les mélange sans conversion est du bruit.

• La ligne cachée — une requête Drama 3 dont l’en-tête de modèle est manquant ou mal orthographié n’échoue pas ; elle bascule vers s2.1-pro et est facturée à $15.00 par million d’octets, soit une surcharge de 50 % par rapport au tarif promotionnel pour une faute de frappe.

Ce que le prix de Google permet réellement d’acheter

Être moins cher à l’heure n’a d’intérêt que si le résultat est exploitable, et les chiffres indépendants confirment qu’il l’est, avec un profil précis. Artificial Analysis place Google Gemini 3.8 Flash TTS cinquième du Provider Voice Arena avec un Elo de 1 283 et un coût de 16,50 $ enregistré au classement — au-dessus des 1 278 de Fish Audio Drama 3 —, et vingt-quatrième du Controlled Voice Arena avec 1 053, sous les 1 085 de Drama 3. Cette répartition résume le modèle en une phrase : il est excellent lorsque les propres voix de Google sont en jeu, et il retombe au milieu du classement lorsque tous les modèles sont jugés sur les mêmes voix de référence.

Le tableau des prononciations dresse un constat tout aussi limité. Gemini 3.8 Flash TTS arrive en tête des 31 modèles évalués dans la catégorie « pertinence contextuelle » avec 98,0 %, et Drama 3 est à 95,3 %. Ce n’est pas le point faible du modèle. Le point faible de Google dans cette comparaison, c’est le contrôle : Gemini propose 30 voix studio préconfigurées — dont Kore et Puck — avec le jeu complet de 130 langues et la détection automatique de la langue, ainsi qu’une bibliothèque de voix que la documentation décrit comme comptant « des centaines » de voix au sein de l’Extended Voice Library, tandis que la page marketing parle de plus de 2 000. Ces chiffres n’ont jamais été recoupés depuis l’extérieur, et si une voix précise est essentielle au fonctionnement de votre produit, tester cette voix est la seule réponse que quiconque puisse vous donner honnêtement.

Trente voix utilisables sans clonage, c'est amplement suffisant pour un bot de support, un narrateur de produit ou une application d'apprentissage des langues. Ce ne l'est pas pour un pipeline de fiction audio, un jeu avec douze personnages à distribuer, ni aucun projet client où la voix constitue le livrable. C'est ce manque que comble Fish Audio, et il s'agit d'un manque de nature, non de degré.

Ce que les poids ouverts apportent, et ce que leur exécution vous coûte

Fish Audio Drama 3 est un mélange d’experts de 35 milliards de paramètres, avec environ 3 milliards de paramètres actifs par token, initialisé à partir de Qwen3.5-35B-A3B, 8 experts routés sur 256 plus un expert partagé, quarante couches organisées en blocs comprenant trois couches Gated DeltaNet et une couche d’attention complète à porte. Les poids sont publiés sur Hugging Face sous le nom fishaudio/drama-3 — environ 40 Go répartis sur un ensemble de shards plus un fichier codec séparé — et l’inférence en FP8 nécessite environ 48 Go de VRAM, sans chemin CPU ou ROCm documenté. Le service s’effectue via SGLang-Omni, et le fournisseur indique 271 trames par seconde sur un seul H200, contre 177 pour S2.

Cette ligne matérielle est le véritable arbitrage. Le prix de Google, à 0,81 $ de l'heure, n'inclut ni dépenses d'investissement ni coûts d'exploitation ; votre seul coût fixe est la requête. Le tarif promotionnel de Drama 3, à 0,83 $ de l'heure, est un tarif d'API, et le fait de l'exécuter vous-même le transforme en un GPU de 48 Go, une pile de service et une personne qui en est responsable. Pour un catalogue de quarante heures d'audio par mois, l'API est manifestement moins chère. Pour quelques milliers d'heures, ou pour tout ce qui doit tourner sans qu'un tiers intervienne, les poids changent entièrement la donne — et c'est la seule chose que Google ne vend à aucun prix.

La licence compte ici aussi, car c'est elle qui sépare les « open weights » du « gratuit ». Drama 3 est publiée sous la Fish Audio Community License v1.0 : gratuite pour la recherche et les usages non commerciaux, gratuite en usage commercial tant que votre chiffre d'affaires annuel et celui de vos affiliés reste inférieur à 500 000 USD, une licence distincte étant requise au-delà de ce seuil ou pour proposer Drama 3 elle-même comme service hébergé de parole ou de clonage. Artificial Analysis la classe en open weights sans droits d'utilisation commerciale complète. Les conditions de Google sont les conditions API ordinaires, ce qui soulève un autre ensemble de questions — le traitement des données plutôt que la redistribution.

Langues, et un chiffre qui en fait moins qu'il n'y paraît

Google revendique 130 langues avec détection automatique à partir du texte. Fish Audio en revendique 83, avec une capacité bien plus étrange : les indications peuvent être rédigées dans n'importe quelle langue et ne doivent pas correspondre à la langue du script, et il existe une balise de changement de langue documentée qui fait basculer une seule phrase vers une autre langue au milieu d'une ligne — marquée comme expérimentale. Ce sont des produits différents. Le chiffre de Google concerne le nombre de marchés que vous pouvez pénétrer avec une seule intégration. Celui de Fish Audio concerne la précision avec laquelle une ligne peut être produite, par un réalisateur qui ne partage peut-être pas la langue du script.

Pour une équipe qui livre un produit localisé, 130 l'emporte sur 83, et la détection automatique constitue une véritable économie opérationnelle — pas de routage par langue, pas de sélection de voix par langue. Pour une équipe qui produit des contenus dans une ou deux langues pour un public attentif, 83 n'est pas une contrainte, et la capacité à gérer la direction dans n'importe quelle langue est la plus précieuse des deux fonctionnalités. Aucun de ces deux chiffres ne doit être lu comme une position dans un classement ; le nombre de langues qu'un modèle revendique n'a jamais été bien corrélé à sa qualité dans la langue dont vous avez besoin.

Où chacun d’eux se situe dans une pile routée

C'est l'un des rares articles de cette série où le côté fournisseur ne peut pas être totalement honnête en passant la question sous silence : OrcaRouter achemine les modèles vocaux Gemini plus anciens de Google — google/gemini-3.1-flash-tts-preview et google/gemini-2.5-flash-preview-tts figurent tous deux au catalogue aujourd'hui — mais pas Google Gemini 3.8 Flash TTS, ni Fish Audio Drama 3. Les modèles Gemini TTS plus anciens sont disponibles auprès de nous au prix catalogue de Google, sans majoration ; les deux modèles qui font réellement l'objet de cet article sont accessibles via les API propres à leurs fournisseurs et, dans le cas de Fish Audio, via des plateformes tierces.

La conséquence utile est qu'une grande partie d'une facture Google Speech peut déjà se trouver derrière une seule clé, et la couche de basculement est ce qui rend la comparaison peu coûteuse à exploiter : placez un canari de Drama 3 à côté d'un appel Gemini 3.8 Flash TTS, acheminez le chemin de production vers celui qui survit à votre test d'acceptation, et le choix par segment réside dans le DSL de routage plutôt que dans deux SDK. La fusion de modèles est l'autre option que cela fait apparaître — un panel qui restitue la même ligne via les deux et choisit selon une règle que vous définissez, ce qui, pour la narration, signifie que vous pouvez conserver la prononciation de Drama 3 sur les lignes avec des codes et la lecture contextuelle de Google sur la prose.

La décision, dite clairement : pour de l’anglais à grand volume, sans clonage et sans appétence pour l’infrastructure, Gemini 3.8 Flash TTS à 0,81 $ de l’heure est le modèle le moins cher et le plus agréable à l’oreille sur les voix du fournisseur, et l’argument en faveur de Drama 3 ne survit pas au contact de la grille tarifaire. Pour tout ce qui exige des voix personnalisées ou de casting, des indications mot par mot, un contrôle des phonèmes ou la possibilité de fonctionner sans tiers, Drama 3 est celui des deux qui peut faire le travail tout court — au tarif catalogue, il coûte cinq fois le tarif horaire de Google, et pendant la promotion, il coûte pareil, ce qui fait des deux prochaines semaines la fenêtre la moins chère que quiconque pourra obtenir pour déterminer si l’avantage de prononciation mérite qu’on construise autour de lui.