Fish Audio Drama 3 vs VoxCPM2 : un classement face à une fiche technique

Fish Audio Drama 3 dispose d’un Elo, contrairement à VoxCPM2, ce qui rend impossible la comparaison évidente entre les deux et facile à manquer celle qui est intéressante. Drama 3, annoncé le 13 octobre 2026 et évalué par Artificial Analysis depuis, occupe la sixième place sur 100 au Provider Voice Arena avec 1,278. VoxCPM2 n’a aucune ligne dans les classements vocaux d’Artificial Analysis et est absent des deux arènes citées sur cette page. Ce que les deux laboratoires publient, en revanche, c’est Seed-TTS-eval, et là, les chiffres disent quelque chose qu’un seul classement ne pourrait pas dire : sur chaque exécution propre au fournisseur, Drama 3 a besoin de deux passes pour battre l’unique passe de VoxCPM2. Le choix entre ces deux modèles ne concerne pas vraiment la qualité. Il consiste à savoir si vous voulez un moteur de performance que vous louez au caractère, ou un modèle de deux milliards de paramètres que vous pouvez posséder.

L'un a un Elo, l'autre a une fiche technique.

L’asymétrie mérite d’être énoncée clairement, car la plupart des pages de comparaison la passent discrètement sous silence. Drama 3 figure sur tous les classements qui comptent : sixième sur 100 au Provider Voice Arena avec 1 278, douzième sur 49 au Controlled Voice Arena avec 1 085, premier ex æquo sur 31 pour la robustesse de prononciation en anglais avec 93,2 %. VoxCPM2 n’apparaît sur aucun d’eux.

Cette absence n’est pas un scandale, et elle n’est pas nouvelle. VoxCPM2 est disponible depuis le printemps 2026 — la documentation du projet date la gamme 2.0 de mars, le dépôt lui attribue l’étiquette 2026.04, et le rapport technique est paru en juin sous arXiv:2606.06928 — et pendant tout ce temps, personne ne l’a placé dans une arène d’écoute en aveugle. L’explication la plus probable est banale : les créneaux des arènes sont généralement occupés par des fournisseurs qui ont un point de terminaison hébergé à promouvoir, et OpenBMB n’en vend pas. VoxCPM2 distribue ses poids sur Hugging Face et ModelScope ainsi qu’un serveur /v1/audio/speech compatible OpenAI via vLLM-Omni, et voilà toute l’histoire de sa distribution.

Donc la position honnête est la suivante : nous pouvons comparer Drama 3 à un score, ou comparer les deux modèles l'un à l'autre. Nous ne pouvons pas faire les deux à la fois, et toute page qui présente un Elo VoxCPM2 contre Drama 3 en invente un.

Le seul axe que tous les deux publient

Seed-TTS-eval est ce qui s’approche le plus d’un étalon commun dans ce domaine, et les deux laboratoires en publient les résultats. Le hic, c’est qu’aucun des deux ne publie un tableau complet au même format ; ce qui suit est donc deux fournisseurs qui se mesurent eux-mêmes.

• Taux d’erreur sur les mots anglais — Drama 3 indique 1,54 % sur une prise finale et 2,20 % sur sa première prise ; VoxCPM2 indique 1,84 % en une seule passe. La prise finale de Drama 3 est le meilleur des trois chiffres et sa première prise est le pire.

• Taux d'erreur en chinois — Drama 3 à 0,83 % de CER sur une prise finale, 1,00 % sur sa première ; VoxCPM2 à 0,97 % de CER. Même schéma, la prise finale de Drama 3 étant en tête et sa première à peu près au même niveau.

• Similarité du locuteur — Drama 3 indique 0,640 en anglais (sur une échelle de 0 à 1) ; VoxCPM2 indique 75,3 en anglais et 79,5 en chinois, ce qui, selon la convention 0–100 utilisée ailleurs dans son rapport, correspond à 0,753 et 0,795. VoxCPM2 est le cloneur le plus performant d’après ses propres chiffres.

• Stress plus large — VoxCPM2 publie également les taux d’erreur de l’évaluation CV3 sur onze langues (3,65 % zh, 5,00 % en, 8,55 % hard-zh, 9,85 % fr, 4,25 % it, 5,21 % ru) ainsi qu’une moyenne interne de 1,68 % sur 30 langues. Drama 3 ne publie aucun tableau équivalent des taux d’erreur par langue, il n’y a donc rien à mettre en regard.

Prenez au sérieux l’écart de similarité et relativisez l’écart de taux d’erreur sur les mots. La similarité du locuteur est la métrique la plus susceptible de résister à une différence de banc d’évaluation, car il s’agit d’une distance cosinus entre les embeddings d’un même audio de référence. Les taux d’erreur sur les mots dépendent de la normalisation, du prétraitement du texte et des clips de référence utilisés, et les deux laboratoires n’étaient pas tenus de s’accorder sur ces aspects. La direction est crédible — VoxCPM2 clone plus fidèlement, Drama 3 transcrit plus précisément après révision — mais les ordres de grandeur ne constituent pas une mesure.

La taxe des révisions que personne ne met à la une.

1,54 % et 2,20 % correspondent au même modèle sur le même test, ne différant que par le fait que la prise ait été acceptée du premier coup. Le rapport technique de Fish Audio est d’une honnêteté inhabituelle à ce sujet : il donne les deux chiffres, car la révision multi-prises est le produit. L’argument de vente est que vous dirigez une réplique en langage naturel, vous écoutez, vous redirigez et conservez la prise que vous voulez — et le benchmark reflète la prise conservée.

Si c’est ainsi que fonctionne votre pipeline, le 1,54 % est le chiffre que vous verrez. Si vous diffusez une passe unique vers un appel en direct, une réplique de dialogue de jeu ou un rendu par lots sans intervention humaine, vous payez le 2,20 % — pire que la passe unique de VoxCPM2 à 1,84 %. Cette inversion est le fait le plus utile de cette comparaison et celui qu’aucun tableau des deux fournisseurs ne rend évident. Elle a aussi un coût pour le flux de travail : chaque prise supplémentaire est une synthèse complète de plus, et Drama 3 facture selon les caractères d’entrée, donc une habitude de trois prises multiplie la facture par trois.

VoxCPM2 ne dispose d'aucun mécanisme de révision de ce type. Il propose quatre modes de génération — zero-shot, continuation, référence seule et référence combinée à un audio d'invite — et sa réponse à une prise ratée consiste à refaire le rendu avec d'autres balises de style. Moins coûteux par tentative, car vous ne payez pas au caractère, mais sans mémoire au niveau du modèle de la prise rejetée.

Le minimum matériel est la véritable décision.

C'est ici que les deux modèles cessent d'être interchangeables.

• Empreinte de VoxCPM2 — environ 8 Go de VRAM, un facteur temps réel d’environ 0,30 sur une RTX 4090 et de 0,13 avec Nano-VLLM ; le projet rapporte également 1,76 pour Q8_0 sur un Apple M4 Pro via llama.cpp-omni. Il fonctionne sur une station de travail.

• Empreinte de Drama 3 — Fish Audio ne publie aucune exigence minimale de VRAM. Son tableau de débit a été mesuré sur des H200 : 166,7 trames par seconde et un délai médian de 88,9 ms jusqu’au premier audio avec un seul flux simultané, 927,6 trames/s à seize flux, 1 687 trames/s à soixante-quatre flux, avec un RTF de 0,131 dans la configuration à flux unique. Les testeurs situent l’exigence bf16 à une carte de 48 Go, et les versions 4 bits de la communauté revendiquent environ 32 Go. Il s’exécute sur un serveur ou sur celui de quelqu’un d’autre.

• Réserve sur le débit — le billet de lancement annonce 271 images par seconde sur un seul H200, alors que le tableau de streaming de la fiche modèle plafonne à 166,7 pour une seule requête. Les deux peuvent être exacts avec des protocoles de mesure différents, mais cela signifie que le chiffre de vitesse mis en avant n’est pas celui que votre test de charge reproduira.

Voici le calcul. Un million de caractères représente environ quinze à vingt heures de parole finalisée à un rythme de narration ordinaire. Sur une 4090 avec un RTF de 0,30, cela représente cinq à six heures de temps GPU ; sur l’API de Fish Audio, cela coûte 10 $ US pendant la promotion de lancement et 50 $ US après sa fin, le 12 novembre. L’auto-hébergement de VoxCPM2 est moins cher par heure d’audio et bien moins cher par heure d’expérimentation — vous pouvez itérer sur la conception d’une voix pendant un après-midi sans surveiller un compteur.

Le routage ne fait pas disparaître ce choix, il vaut donc la peine de préciser ce qu’il fait. OrcaRouter n’héberge aucun des deux modèles ; Drama 3 est disponible via l’API propre à Fish Audio et plusieurs plateformes tierces, et VoxCPM2 est disponible sous forme de poids que vous servez vous-même. Ce que nous prenons en charge, c’est le volet vocal du pipeline qui les entoure — la gamme TTS de Gemini et le TTS-1-HD d’OpenAI, avec un basculement automatique entre fournisseurs, de sorte qu’un point de terminaison hébergé qui devient défaillant ne fait pas tomber le produit avec lui. Si la question est « lequel de ces deux dois-je exécuter », la réponse est déterminée par la VRAM, pas par le routage.

Diriger une prestation versus concevoir une voix

Les deux modèles ne s’accordent pas sur l’endroit où se produit le travail créatif, et ce désaccord est d’ordre architectural plutôt que cosmétique.

Drama 3 est un outil de réalisateur. Vous écrivez des instructions entre crochets avant les mots qu'elles régissent — [la gorge serrée, pleurant doucement] — et vous les modifiez en cours de phrase. Les balises appariées restreignent une indication à des mots précis : <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. La prononciation peut être fixée phonème par phonème avec CMU Arpabet, le pinyin ou le romaji, et les scènes acceptent un ID de voix par locuteur sous forme de tableau. Plusieurs prises peuvent être révisées en se référant aux précédentes, et l'inpainting au niveau du mot recrée un mot marqué isolé pour l'ajuster à la prise qui l'entoure — bien que l'édition interactive et l'inpainting soient encore en test sur invitation uniquement, avec une API d'édition annoncée comme à venir.

VoxCPM2 est un outil de conception. Sa fonctionnalité phare est le Voice Design : décrivez un locuteur en langage naturel et obtenez une voix sans aucun audio de référence. Au-delà, il assure le clonage zero-shot, la continuation à partir d'un prompt, le clonage par référence seule avec un canal de référence isolé (vous n'avez donc pas besoin de la transcription correspondant au clip), et le contrôle du style au moyen de balises. La limite tient à la portée : il façonne une voix et une élocution, pas une scène. Il n'existe pas de syntaxe de matrice de locuteurs, pas de mode dialogue multi-personnages, pas de retouche au niveau du mot.

Pour un drame audio à deux voix, cette différence tranche avant même tout benchmark. Pour un produit qui a besoin d’une voix de marque cohérente sur l’ensemble d’un catalogue, le mode design de VoxCPM2 est la voie la plus courte, et la syntaxe de direction de Drama 3 est surtout superflue.

Fréquence d’échantillonnage, langues et argument du codec

• Sortie — VoxCPM2 émet en 48 kHz via un AudioVAE V2 asymétrique qui encode à 16 kHz et décode à 48 kHz ; Drama 3 reste à 44,1 kHz, générant via un Descript Audio Codec à dix codebooks à environ 21,5 trames par seconde. Les 3,9 kHz supplémentaires de VoxCPM2 sont bien réels, mais rarement audibles face à un format de diffusion compressé.

Architecture — VoxCPM2 est conçu sans tokeniseur, prédisant directement des latents continus sur un backbone MiniCPM-4 et soutenant que le codec audio est le goulot d’étranglement ; Drama 3 conserve des tokens discrets et consacre ses 35B à un décodeur à prédiction multi-token par codebook qui prédit les neuf codebooks résiduels après les deux premiers. Deux paris sur l’endroit où se situe le plafond de qualité.

Langues — 83 revendiquées pour Drama 3, contre 30 pour VoxCPM2, plus neuf dialectes chinois (sichuanais, cantonais, wu, du Nord-Est, henan, shaanxi, shandong, tianjin, minnan). Si vous avez besoin de thaï, de vietnamien, d'hébreu et de swahili, VoxCPM2 les couvre tous les quatre et Drama 3 ne fait manifestement pas mieux pour aucun d'entre eux ; si vous avez besoin de 83, un seul de ces deux est en lice.

• Données d’entraînement — VoxCPM2 a été entraîné sur 2,36 millions d’heures de parole (1,8 M en chinois et en anglais, plus 560 K en multilingue), un chiffre que sa documentation publie avec précision. Fish Audio ne publie pas d’équivalent, ce qui n’est pas tant une critique qu’un autre point où les deux articles ne sont pas rédigés pour être comparés.

La licence : le seul point où VoxCPM2 l’emporte nettement

VoxCPM2 est sous licence Apache 2.0. Toute entreprise, quel que soit son chiffre d'affaires, peut l'intégrer, le modifier, le fine-tuner, le redistribuer et vendre le résultat, sans seuil ni négociation. Le fine-tuning LoRA et SFT est pris en charge et documenté.

Drama 3 est couvert par la licence Fish Audio Community License v1.0 : gratuit pour la recherche et les travaux non commerciaux, gratuit pour un usage commercial tant que vous et vos sociétés affiliées restez sous le seuil de 500 000 USD de chiffre d’affaires annuel, et une licence négociée au-delà de ce seuil — ou quel que soit votre chiffre d’affaires si vous souhaitez proposer Drama 3 comme service de TTS, de clonage vocal ou d’inférence. L’audio client finalisé est explicitement autorisé quel que soit le chiffre d’affaires ; une API de synthèse concurrente ne l’est pas. Artificial Analysis le qualifie de « poids ouverts sans droits d’utilisation commerciale », ce qui résume honnêtement en une ligne la condition d’accès.

Il y a aussi un détail à vérifier plutôt qu’à prendre pour acquis : les métadonnées Hugging Face de fishaudio/drama-3 indiquent toujours fish-audio-research-license, alors que le texte de la carte décrit la Community License. Lisez le fichier de licence dans le dépôt avant de construire un produit sur la base de cette étiquette.

Pour une entreprise financée qui déploie une fonctionnalité vocale, voilà toute la comparaison en une ligne : VoxCPM2 ne vous coûte rien en validation juridique, Drama 3 vous coûte une conversation avec une équipe commerciale.

Choisissez par contrainte, pas par score

Vous n'avez qu'un GPU et un produit à livrer. VoxCPM2. Huit gigaoctets, Apache 2.0, 48 kHz, et un mode de conception de voix qui vous procure une voix de marque exploitable dès le premier après-midi. Vous renoncez à la direction de scène et au meilleur score de voix de fournisseur de la catégorie.

Vous produisez un audio scénarisé avec un humain dans la boucle.Drama 3. Les indications entre crochets, les balises à portée limitée, les changements en milieu de phrase et la réparation au niveau du mot sont ce que les poids ouverts ont de plus proche d’une séance d’enregistrement, et le WER anglais de 1,54 % est ce que permet d’obtenir la boucle de révision. Prévoyez le changement de tarif du 12 novembre dans votre budget et lisez d’abord la clause de service.

Il vous faut une langue en dehors des trente. Drama 3, ou ni l'un ni l'autre — mais vérifiez la langue concernée par rapport aux propres affirmations de couverture de Fish Audio plutôt qu'au « 83 » affiché sur l'emballage.

Vous clonez la voix d'une personne précise à grande échelle. La similarité de locuteur de VoxCPM2 est le meilleur chiffre de cette page, et son canal de référence isolé signifie que vous pouvez cloner à partir d'un extrait sans transcription correspondante. L'avantage de Drama 3 réside dans la direction, pas dans la fidélité à une référence.

La seule chose à ne pas faire, c'est de les classer. Il n'y a pas d'arène commune, pas d'étude commune sur les préférences humaines, ni de banc de test commun pour les erreurs — juste un modèle doté d'un classement Elo et un autre doté d'une fiche technique, et une décision qui dépend du matériel que vous possédez et de ce que la licence vous autorise à en faire.