Fish Audio Drama 3 vs Inworld Realtime TTS-2 : l'un lit un script, l'autre suit une conversation

Le mot « Realtime » dans Inworld Realtime TTS-2 est une affirmation de latence, pas une description de ce que fait le modèle. Le produit parole-à-parole d’Inworld pour les conversations en direct est une ligne distincte sur sa propre page tarifaire ; Realtime TTS-2 est un modèle de synthèse vocale suffisamment rapide pour un usage interactif. Cette distinction compte dès que vous le comparez à Fish Audio Drama 3, qui est conçu pour la tâche inverse — un modèle de 35 milliards de paramètres dont toute la conception repose sur le fait que vous écrivez des indications de mise en scène dans le script avant qu’une seule réplique ne soit prononcée. Mettez-les côte à côte sur Artificial Analysis et la séparation est inhabituellement nette : Drama 3 mène la Provider Voice Arena de 11 points, et Inworld mène la Controlled Voice Arena de 61. L’orientation de cet écart en dit plus sur la fonction de chacun que ne le fait l’un ou l’autre chiffre isolément.

Deux produits qui n'ont jamais visé la même chose

Inworld Realtime TTS-2 a débuté comme aperçu de recherche le 2026-05-05 et a atteint la disponibilité générale le 2026-09-02. L'argument de vente lors de la GA n'était pas la fidélité : c'était que le modèle prend les tours précédents d'une conversation, sous forme audio, et raisonne sur le ton et le rythme avant de décider comment la réplique suivante doit sonner. C'est une fonctionnalité d'agent conversationnel. Un bot de support qui vient d'entendre un client frustré n'a pas besoin d'une indication de mise en scène — il doit l'inférer de ce qui vient d'être dit.

Fish Audio Drama 3, publié le 2026-10-13, va dans l’autre sens. Toutes les fonctionnalités qu’il annonce relèvent d’une écriture explicite : des indications entre crochets placées avant la phrase qu’elles régissent, des événements sonores et de pause insérés au milieu d’une ligne, des balises appariées qui ne modifient que les mots encadrés (whisper, emphasis, soft, fast, slow, stress, forceful), l’épinglage de phonèmes pour la prononciation, une balise de changement de langue pour une seule phrase, des indications rédigées dans une langue différente de celle du script, et un dialogue multi-locuteur dans une seule requête via un tableau reference_id avec des balises de locuteur pour chaque tour. Rien dans cette liste n’est déductible du contexte. Tout cela est saisi par la personne qui écrit.

La formulation honnête n’est donc pas « lequel est le meilleur », mais « quelle défaillance vous ne pouvez pas tolérer ». Un pipeline dramatique qui doit rendre une scène à douze personnages avec une continuité émotionnelle n’y parviendra pas avec un modèle conçu pour inférer le ton à partir d’un historique de conversation. Un agent vocal qui doit répondre en moins d’une seconde n’y parviendra pas avec un modèle qui réclame une indication de mise en scène et 48 Go de VRAM. La zone de recouvrement où les deux sont véritablement viables est étroite : narration scénarisée de haute qualité livrée via une API pour du contenu interactif — extraits de livres audio, répliques de PNJ pré-rendues, voix off marketing qui doit être régénérée selon un calendrier.

Les panneaux, lus dans le bon ordre

Les deux chiffres ci-dessous ont été relevés sur Artificial Analysis le 2026-10-29 :

• Provider Voice Arena — Fish Audio Drama 3 à la 6e place avec 1 278 et un tarif consigné au classement de 15,00 $ par million de caractères ; Inworld Realtime TTS-2 à la 8e place avec 1 267 et 20,80 $. Inworld Realtime TTS-2 Flash occupe la 19e place du classement contrôlé avec 1 065.

• Controlled Voice Arena — Fish Audio Drama 3 à la 12e place avec 1 085 ; Inworld Realtime TTS-2 à la 7e place avec 1 146. Ici, Inworld est en avance de 61 points.

• L’asymétrie — l’avantage de 11 points de Drama 3 sur le fournisseur se réduit et s’inverse dès que la comparaison est menée sur des voix de référence identiques plutôt que sur le catalogue propre à chaque fournisseur. Son avance est en grande partie une avance parmi les voix proposées par Fish Audio ; celle d’Inworld ne l’est pas.

• L'autre asymétrie — les deux entrées d'Inworld se répartissent de part et d'autre du tableau, le modèle phare à 1 146 et Flash à 1 065, soit un écart de 81 points entre les niveaux d'une même famille. Drama 3 n'a aucun niveau en dessous ; vous prenez le modèle 35B ou vous utilisez autre chose.

C’est le schéma inverse de celui observé pour les deux mêmes tableaux sous Google Gemini 3.8 Flash TTS, où le modèle fermé l’emportait sur les voix du fournisseur et perdait sur le tableau contrôlé. Aucun de ces schémas n’est du bruit ; tous deux rappellent qu’un chiffre d’arène unique décrit l’ensemble modèle + bibliothèque de voix, et que seul le tableau contrôlé isole le modèle.

La connaissance du contexte face à la direction, concrètement

L’annonce de disponibilité générale d’Inworld Realtime TTS-2 décrit un modèle qui lit l’historique de conversation — les tours précédents sous forme audio — et s’en sert pour façonner le rythme et le ton. Il s’agit d’une affirmation du fournisseur, et non d’une capacité évaluée de manière indépendante ; les arènes d’Artificial Analysis ne la testent pas : elles testent des répliques isolées face à des voix de référence. Ainsi, la fonctionnalité qu’Inworld vend réellement est celle qu’aucun benchmark public ne mesure actuellement. Considérez cette affirmation comme prometteuse et non testée, et testez-la sur vos propres dialogues plutôt que sur un classement.

Les capacités de direction de Drama 3 sont mesurables au sens strict : on voit le résultat changer lorsqu’on modifie un crochet, et Fish Audio documente chacune d’elles avec un exemple audio. La fonctionnalité qu’aucun concurrent de cette comparaison n’égale est l’indication indépendante de la langue : une indication écrite en chinois devant une réplique en anglais, documentée et démontrée. Pour une équipe de postproduction internationale, c’est un déblocage opérationnel plutôt qu’un simple bonus, et c’est le genre de chose qui se manifeste dans un projet pilote en moins d’une heure.

Le test pratique pour une équipe qui doit choisir entre les deux, c’est une page de votre propre dialogue. Générez-la avec le contexte de conversation d’Inworld configuré comme il le serait en production, puis générez-la avec Drama 3 et des indications explicites. Celui qui génère le moins de lignes à corriger manuellement est la réponse, et cette réponse différera pour un agent de chat par rapport à une pièce radiophonique.

Clonage, latence et chiffres sur lesquels vous pouvez compter

Le clonage vocal instantané d’Inworld accepte de 5 à 15 secondes d’audio de référence, et sa version bêta de clonage professionnel nécessite environ 10 minutes d’audio pour produire un clone de fidélité supérieure. Ce sont des chiffres du fournisseur, et ils sont suffisamment précis pour être testés. Le clonage de Fish Audio fait partie du même système de crédits que la génération, et Drama 3 utilise les mêmes crédits que S2.1 Pro dans les offres d’abonnement — mais c’est la licence qui diffère, puisque la licence communautaire de Fish Audio interdit explicitement de cloner la voix d’une personne réelle sans son consentement, tandis que les conditions d’Inworld sont les conditions API ordinaires.

La latence est le domaine où Inworld est clairement l’outil approprié, et la comparaison ne devrait pas prétendre le contraire. Realtime TTS-2 et son palier Flash ont été conçus pour des produits interactifs, le palier Flash étant proposé à un prix inférieur de 40 % à celui du produit phare, précisément pour les charges de travail qui en ont besoin. Le chiffre de vitesse publié par Fish Audio pour Drama 3 est de 271 trames par seconde sur un seul H200, contre 177 pour S2 — un débit pour le rendu par lots, et non un temps jusqu’au premier octet pour un flux en direct. Si votre exigence est que « la voix doit démarrer au cours d’un tour de conversation », vous êtes dans le produit d’Inworld, et aucune avance de 11 points de Drama 3 au classement des fournisseurs ne changera cela.

Prix, au tarif que vous paierez réellement

Inworld Realtime TTS-2 coûte 25,00 $ par million de caractères à la demande, puis 20,00 $ avec le forfait Creator à 25 $, 17,50 $ avec Builder, 15,00 $ avec Developer et 12,50 $ avec Growth ; Flash est à 15,00 $ à la demande, puis descend à 7,00 $ avec Growth. Fish Audio Drama 3 est à 50,00 $ par million d'octets UTF-8 au tarif catalogue et à 10,00 $ pendant la promotion de lancement jusqu'au 2026-11-12 09:00 PT. Sur un script anglais de 100 000 caractères, cela représente 2,50 $ au tarif à la demande d'Inworld contre 5,00 $ pour Drama 3 au tarif catalogue, ou 1,00 $ pendant la promotion.

Trois réserves méritent d’être intégrées à ce calcul plutôt que reléguées en dessous. Drama 3 facture à l’octet UTF-8, si bien qu’un script en écriture CJK coûte plusieurs fois ce que coûte un script anglais pour le même nombre de caractères, tandis que le tarif par caractère d’Inworld reste inchangé. Les crochets de direction de Drama 3 sont facturés comme texte d’entrée, ce qui représente une majoration de 10-25 % sur un script fortement dirigé — précisément les scripts pour lesquels vous avez besoin du modèle. Et la solution de repli de Fish Audio est silencieuse : une requête dont l’en-tête de modèle est absent ou ne correspond pas exactement est traitée et facturée comme s2.1-pro à 15.00 $ par million d’octets plutôt que rejetée.

La comparaison qui résiste aux trois réserves est plus courte que ne le suggèrent les tableaux de prix. Au prix catalogue, Inworld est environ à la moitié de Drama 3 par caractère anglais et fait mieux que lui sur les voix contrôlées. Pendant la promotion, Drama 3 est à un tiers du prix d’Inworld. Quiconque décide sur le seul prix choisit une date, pas un produit.

Aucun des deux ne figure dans notre catalogue, et ce que cela change

Fish Audio Drama 3 et Inworld Realtime TTS-2 sont tous deux accessibles via les API de leurs propres fournisseurs et des plateformes tierces ; aucun des deux ne figure parmi les modèles d’OrcaRouter, et l’argument de routage ici concerne le reste de la pile plutôt que ces deux-là. Un produit vocal appelle rarement un seul modèle de parole et rien d’autre — il appelle un LLM pour le texte, un modèle de parole pour l’audio, parfois un second modèle de parole pour un segment différent, et il a une échéance. Regrouper la moitié non-parole derrière une seule clé au prix catalogue du fournisseur, sans marge, avec un basculement automatique afin qu’un simple incident en amont ne bloque pas le rendu, c’est ce qui fait du choix de la parole une décision de configuration plutôt qu’une décision d’architecture.

Ce qui justifie le DSL de routage dans ce duo précis, c’est le pipeline hybride : des répliques dramatiques pré-rendues via Drama 3 et des échanges conversationnels en direct via Inworld, adressés comme deux routes sur une même clé, avec un choix effectué par segment. La fusion de modèles couvre le cas où vous ne pouvez pas trancher — générez la même réplique avec les deux, évaluez-la par rapport à une référence et gardez la meilleure. Ni l’une ni l’autre de ces approches ne permet de contourner le tarif de l’un ou l’autre fournisseur. Elles permettent de contourner la maintenance de deux intégrations pour économiser une ligne dans un fichier de configuration.

Pour un lecteur qui doit trancher : Inworld Realtime TTS-2 si la parole doit réagir à une conversation, si la latence est la contrainte, si vous voulez un niveau Flash pour absorber le volume, et si une API fermée est acceptable. Fish Audio Drama 3 si la parole est écrite plutôt que réactive, si la prononciation des noms et des codes doit être fiable, si la direction doit être consignée par écrit, si vous voulez les poids, ou si le brief sera rédigé dans une langue autre que celle du script. L’avance de 11 points du fournisseur est le chiffre le moins important de cette liste ; le déficit contrôlé de 61 points est celui à comparer à vos propres voix de référence avant de vous engager.