Fish Audio Drama 3 vs Ming 3.0 TTS : l’avance de 91 points qui disparaît sous une voix clonée

Fish Audio Drama 3 devance Ming 3.0 TTS de 91 points Elo au classement où chaque modèle parle avec son propre éventail de voix, et de 17 au classement où les deux reçoivent les mêmes huit références clonées — un écart suffisamment faible pour que leurs intervalles de confiance se chevauchent. Les deux sont des versions à poids ouverts publiées au cours des six dernières semaines, les deux sont évaluées par Artificial Analysis, et au seul test qui demande à un humain si un mot difficile est réellement bien sorti de la bouche, ils obtiennent 93,2 %. Trois chiffres, dont deux pointent dans des directions différentes. Celui que vous croyez détermine le modèle que vous achetez, et la réponse dépend de si votre produit sonne comme lui-même ou comme quelqu'un d'autre.

Deux sorties, à six semaines d'intervalle, conçues à des échelles opposées

Drama 3 a été annoncé le 13 octobre 2026 et est disponible sur l’API de Fish Audio sous le nom drama-3, avec des poids sur Hugging Face sous une nouvelle licence communautaire. Ming 3.0 TTS est arrivé plus discrètement et par étapes : les dépôts Hugging Face d’InclusionAI sont apparus le 22 septembre, les poids 0,5B le 24 septembre, et le code d’inférence seulement le 19 octobre — ce qui explique pourquoi Artificial Analysis n’a pas pu l’évaluer avant le 20 octobre. Ant Group n’a jamais publié d’article de lancement à son sujet, et il ne dispose ni d’un endpoint hébergé ni d’un prix catalogue.

Les fiches techniques ne sont pas proches, et c'est la première chose à comprendre avant que les classements ne veuillent dire quoi que ce soit.

• Paramètres — un mélange d’experts de 35B avec environ 3B actifs par token, initialisé à partir de Qwen3.5-35B-A3B et acheminant 8 experts sur 256 ainsi qu’un expert partagé, face à un modèle dense de 0,5B sur un socle Qwen2.5-0.5B. Ant propose également un MoE de 7,9B au total / 1,3B actif appelé Ming-3.0-tts-tiny, qui n’a aucun score indépendant.

• Couverture linguistique — 83 langues annoncées pour Drama 3, contre sept pour le checkpoint Ming 0,5B (chinois, anglais, allemand, espagnol, français, coréen, japonais), plus le sichuanais et le cantonais lorsque vous fournissez un extrait de référence dialectal.

• Sortie — 44,1 kHz pour les deux, générées par des mécanismes très différents : Drama 3 conserve le tokenizer Descript Audio Codec de son prédécesseur à dix codebooks et environ 21,5 trames par seconde, tandis que Ming décode un latent continu via un AudioVAE.

• Poids et licence — Drama 3 sous la Fish Audio Community License v1.0, gratuit en dessous de 500 000 US$ de revenu annuel et négociable au-delà, ou si vous revendez la synthèse en tant que service. Ming 3.0 TTS sous licence MIT, sans aucun seuil de revenu.

• Prix — 50 $US par million d’octets UTF-8 au tarif catalogue, réduit à 10 $US jusqu’au 12 novembre 2026, face à l’absence de prix, car il n’y a rien à acheter : vous téléchargez le checkpoint de 2,96 Go et l’exécutez.

La différence d’échelle joue dans les deux sens. Le socle 35B de Drama 3 est ce qui lui permet de maintenir une direction sur un long script et de faire intervenir plusieurs interlocuteurs dans une même scène, avec un identifiant vocal par interlocuteur transmis sous forme de tableau ; c’est aussi pourquoi personne ne va l’installer sur un ordinateur portable. Le 0.5B de Ming est un modèle que vous pouvez servir sur un seul GPU modeste et affiner sur un GPU loué.

Pourquoi Artificial Analysis donne deux réponses différentes

Le classement que tout le monde cite en premier est le Provider Voice Arena, et là, Drama 3 a pris une véritable avance. Au 29 octobre, il occupe la sixième place sur 100 modèles avec un Elo de 1 278, au prix de 15 $US par million de caractères fixé par Artificial Analysis selon ses paramètres par défaut. Ming 3.0 TTS est vingt-quatrième à 1 187, sans prix enregistré, car il n’existe aucun point de terminaison commercial à enregistrer. Un écart de 91 points sur un classement dont les intervalles de confiance vont d’environ ±13 à ±18 n’est pas du bruit ; les voix natives de Drama 3 sont préférées, et de façon nette. Un détail du même tableau explique en partie pourquoi : Artificial Analysis a évalué Ming face à trois voix de l’arène et Drama 3 face à huit.

Le deuxième classement pose une question différente, et l’avance s’évapore. La Controlled Voice Arena donne à chaque système les mêmes huit voix clonées — quatre américaines, quatre britanniques — de sorte que la comparaison cesse de porter sur les comédiens de doublage des uns et des autres pour porter sur la façon dont chaque modèle endosse la voix de quelqu’un d’autre. Là, Drama 3 obtient 1 085, douzième sur 49, avec un intervalle de 1 069 à 1 101. Ming obtient 1 068, dix-septième, avec un intervalle de 1 053 à 1 083. Les intervalles se chevauchent sur la plage de 1 069 à 1 083. C’est une égalité, et affirmer le contraire reviendrait à prêter à une étude une précision qu’elle n’a pas.

Notez également qu'Artificial Analysis conserve encore une ligne distincte Drama 3 Preview sur ce classement, à 1 063, classée vingtième. Le checkpoint de production et l'aperçu livré en septembre sont évalués comme deux systèmes différents ; une comparaison qui cite « Drama 3 » sans préciser de quelle ligne il s'agit n'est donc pas une comparaison. Nos chiffres ici sont ceux de la ligne de production.

Analyse concrète : si votre produit embarque son propre casting vocal — un narrateur, un agent de support, un personnage de jeu — l'avantage de Drama 3 est réel et considérable. Si votre produit clone la voix d'un client ou d'un créateur et s'exprime avec celle-ci, les deux modèles sont en pratique à égalité, et la décision repose alors plutôt sur le prix, la licence et la couverture linguistique.

L'égalité de 93,2 % en prononciation correspond à quatre résultats différents

Les deux modèles sont crédités de 93,2 % au test de robustesse de prononciation en anglais d’Artificial Analysis — le résultat publié par le comité le 20 octobre, qui les a placés conjointement premiers sur 31 systèmes et devant Eleven v4 à 91,7 %. Ce chiffre phare a été répété partout, et il masque le seul aspect qui compte sur le plan opérationnel : les deux modèles échouent sur des types de texte opposés.

• Séquences exactes — Ming les préserve à 90,6 %, premier sur 31 ; le chiffre équivalent de Drame 3 est de 86,3 %. Les numéros de commande, les URL, les chemins de fichiers et les codes de série résistent mieux avec Ming.

• Extension des abréviations — Ming 96,5 %, également premier sur 31, contre 93,6 % pour Drama 3. Les dates, les unités et les abréviations sont énoncées à voix haute plutôt qu’épelées.

Termes isolés — Drama 3 à 95,9 % contre Ming à 88,5 %, Ming se classant vingt et unième sur 31. Les noms de marques, les noms de lieux et le vocabulaire technique constituent la catégorie la plus forte de Drama 3.

• Termes adaptés au contexte — Drama 3 à 95,3 %, Ming à 91,0 % et treizième sur 31.

La faiblesse de Ming sur les noms isolés suit son inventaire de voix : le 0,5B embarque plus de cent voix chinoises intégrées et cinq voix anglaises, si bien que sa gestion des noms propres anglais dispose de moins de ressources. La faiblesse de Drama 3 est l’image inversée : un modèle entraîné à livrer une performance restitue parfois un numéro de code comme une performance.

Aucun des deux 93,2 % n'est rapporté par le fournisseur. Les deux proviennent du même banc d'essai indépendant, ce qui explique qu'ils puissent tout simplement être comparés — et il vaut la peine de le dire, car c'est rare dans cette catégorie, où la plupart des tableaux de taux d'erreur sur les mots publiés sont réalisés par les laboratoires eux-mêmes sur leurs propres invites.

Combien coûte réellement un million de caractères

Drama 3 facture selon la taille des entrées : 50 $US par million d’octets UTF-8, ramené à 10 $US jusqu’au 12 novembre 2026 à 09:00 heure du Pacifique. Ce bond d’un facteur cinq du 13 novembre est le nombre le plus élevé de cette comparaison, et il modifie le classement des deux modèles sur le coût par heure finalisée selon le moment où vous le lisez.

Il y a aussi un piège de facturation qu’il vaut mieux connaître avant de mettre quoi que ce soit en place. Drama 3 conserve le même endpoint POST /v1/tts que S2.1 Pro, et si l’en-tête du modèle est absent ou mal orthographié, la requête bascule silencieusement sur s2.1-pro et vous facture pour cela. Vous obtenez un audio plausible et aucune erreur, si bien qu’une faute de frappe dans une variable d’environnement peut passer inaperçue pendant des semaines avant que quiconque remarque que la voix est erronée.

Ming n’a aucune facture, ce qui ne signifie pas que c’est gratuit. Vous payez en heures GPU et en temps d’ingénierie : le checkpoint 0,5B fait 2,96 Go, nécessite l’audio VAE, un encodeur de locuteur CAM++ et un tokeniseur assemblés, et ne s’accompagne d’aucun engagement de support d’un fournisseur. Ant a publié des tableaux de benchmarks et une démo Gradio, pas un accord de niveau de service.

C'est là qu'un routeur est réellement utile, et là où il ne l'est pas. OrcaRouter répercute le prix catalogue des fournisseurs avec 0 % de marge, si bien qu'une promotion d'un fournisseur comme celle de Fish Audio arrive le jour même sur tout ce que nous routons — Drama 3 n'en fait pas partie, et Ming non plus. Les points de terminaison vocaux que nous proposons aujourd'hui sont la gamme Gemini TTS de Google et le TTS-1-HD d'OpenAI, tous accessibles via une seule API derrière une clé unique aux côtés des modèles de texte. Si vous comparez Drama 3 et Ming, aucune couche de routage ne va héberger ni l'un ni l'autre pour vous ; ce qu'une clé unique apporte, c'est le reste du pipeline autour d'eux.

La licence décide plus que le classement.

MIT face à la Fish Audio Community License v1.0 constitue la divergence la plus nette de ce duo, et elle n’a rien de philosophique. Les conditions MIT de Ming permettent à toute entreprise, quelle que soit sa taille, d’intégrer le modèle dans un produit payant, de le revendre, de l’affiner et de distribuer le dérivé, sans seuil de chiffre d’affaires et sans échange avec Ant.

La licence de Drama 3 est gratuite pour la recherche et les travaux non commerciaux, gratuite pour un usage commercial tant que vous et vos sociétés affiliées restez sous 500 000 US$ de chiffre d’affaires annuel, et nécessite une licence négociée au-delà de ce seuil — ou quelle que soit votre taille si vous souhaitez proposer Drama 3 comme service de synthèse vocale, de clonage ou d’inférence. La FAQ de la fiche du modèle est plus claire que la plupart : un audio finalisé pour des clients est acceptable, une API de synthèse concurrente ne l’est pas.

Un détail à vérifier plutôt qu’à supposer : les métadonnées Hugging Face de fishaudio/drama-3 indiquent toujours fish-audio-research-license, tandis que le texte de la fiche décrit la Community License. Si c’est vous qui validez le déploiement, lisez le fichier de licence dans le dépôt, pas le tag.

Pour un studio qui produit des fictions audio, le seuil de 500 000 $ est un non-sujet, et c’est la clause de service qu’il faut lire. Pour une entreprise qui intègre une fonction vocale à un produit dépassant ce seuil de revenus, Drama 3 est une discussion d’achat, et Ming se résume à un pip install.

Lequel choisir

Voix pour l’assistance ou les transactions, en anglais ou en chinois. Ming. Il remporte les deux catégories qui comptent le plus lorsqu’un bot relit un numéro de commande ou une référence de réservation, il est sous licence MIT et il fonctionne sur du matériel que vous possédez déjà. L’égalité avec la voix clonée signifie que vous ne renoncez pas au naturel pour y parvenir.

Narration, fiction audio, scripts à forte composante de marque, nombreuses langues. Drame 3. L’avantage de la voix du fournisseur est réel, les noms propres constituent sa catégorie la plus solide, et 83 langues contre sept ne sont pas un écart que l’on comble avec de l’ingénierie de prompts. Anticipez le changement de tarif de novembre et lisez la clause de service.

Un pipeline qui effectue déjà plusieurs prises. Drama 3, mais seulement si vous utilisez réellement la boucle de révision. Fish Audio l'a entraîné avec un modèle de récompense fondé sur les préférences humaines et présente la révision à plusieurs tours comme le moyen d'obtenir la performance souhaitée ; Ming est un modèle à passage unique, sans mécanisme de révision à mettre en balance, de sorte que la structure des prises est une raison de choisir Drama 3 plutôt qu'une raison de les comparer.

Tout déploiement où la VRAM est la contrainte. Ming, sans discussion. Un mélange d’experts de 35B dont les benchmarks tournent sur des H200 n’est pas un modèle qu’on exécute par commodité.

Quoi regarder

Trois dates et un vide. Le 13 novembre, le prix promotionnel de Drama 3 expire et 10 $US devient 50 $US, un mouvement d'un facteur cinq qui rebattra du jour au lendemain toutes les comparaisons de coûts de cette catégorie. Avant cela, surveillez si Artificial Analysis fusionne ses lignes Drama 3 et Drama 3 Preview, car un tableau qui liste deux fois un même modèle invite exactement au type de citation approximative que cet article s'efforce d'éviter. Et surveillez l'arrivée d'un score sur Ming-3.0-tts-tiny : la variante MoE de 7,9 B est celle qu'Ant met réellement en avant pour la génération de podcasts, et pour l'instant elle ne dispose que de chiffres fournisseur — 0,820 % de taux d'erreur sur les mots en chinois, 6,000 % en coréen — sans rien d'indépendant derrière.

Le résumé honnête, c'est qu'il ne s'agit pas de deux versions du même produit. L'un est une petite bête de somme sous licence permissive, qui se trouve être excellente précisément sur le type de texte qui met à mal les systèmes vocaux ; l'autre est un gros moteur de performance verrouillé par licence, qui se trouve être le modèle ouvert au rendu sonore le plus convaincant du tableau quand il utilise son propre casting vocal. L'avance de 91 points est réelle. Elle concerne simplement une question que la plupart des produits ne posent jamais.