Fish Audio Live 3 vs Drama 3 : un modèle lit le script, l'autre entend la pièce

Fish Audio Live 3 et Fish Audio Drama 3 ne sont pas deux réponses à la même question, et les considérer comme des rivaux est le moyen le plus rapide d’acheter le mauvais. Drama 3, que Fish Audio a publié le 2026-10-13, est un modèle de synthèse vocale : vous lui fournissez des mots et une direction de jeu, et il renvoie de l’audio. Live 3, annoncé le 2026-11-10, est un modèle vocal duplex pour les appels d’agents : il écoute pendant qu’il parle, décide quand une pause signifie « continue » et quand elle signifie « j’ai terminé », et peut réagir en seulement 186 millisecondes selon Fish Audio. L’un est un moteur de rendu ; l’autre un interlocuteur.

La confusion est compréhensible, car tous deux sont des modèles Fish Audio, tous deux sont récents, et tous deux sont vendus comme excellents dans un domaine où les autres modèles Fish Audio ne l’étaient pas. Mais ils se situent à des couches différentes d’une pile vocale, ils sont documentés séparément, et un seul figure sur la grille tarifaire publiée de Fish Audio. La comparaison utile n’est donc pas de savoir lequel est meilleur — mais à quel travail chacun est réellement destiné, et où ils se rejoignent au sein d’un même produit.

Ce que chaque modèle est documenté comme devant faire

Drama 3 est un modèle de synthèse vocale, et les preuves publiques le concernant portent sur les préférences et la prononciation plutôt que sur l’alternance des tours de parole. Sur le Provider Voice Arena d’Artificial Analysis, il se classe sixième avec un Elo de 1 278 ; sur le Controlled Voice Arena, où chaque modèle est jugé par rapport aux mêmes voix de référence, il est douzième avec 1 085. Dans les deux classements, il s’agit du modèle à poids ouverts le mieux classé du tableau, et le précédent relevé Drama 3 Preview — celui qui a fait l’objet d’articles de presse en octobre — figure toujours séparément à 1 240 et 1 063. Sur le benchmark English Pronunciation Robustness, il obtient 93,2 % au total, à égalité à la première place parmi 31 modèles évalués avec Ming-3.0-tts, la ventilation par catégorie comptant davantage que le score global : 95,9 % sur les termes isolés tels que les marques et les noms techniques, 93,6 % sur le développement des formes abrégées comme les nombres et les dates, 86,3 % sur la conservation de séquences exactes telles que les codes et les chemins, et 95,3 % sur une prononciation adaptée au contexte.

Les preuves publiques de Live 3 sont d'une forme entièrement différente. L'annonce de Fish Audio est construite autour de la conversation plutôt que du rendu, et ses trois exemples concrets portent tous sur le timing.

• Un numéro de téléphone lu par segments — « 415… 555… 0132 » — où Live 3 pourrait dire « mm-hmm » ou « d'accord, 415 » entre les segments, puis attendre la suite.

• Un appelant qui dit « ouais » ou « mm-hmm » pendant que l’agent énonce les horaires d’ouverture, cas où Live 3 continue sans traiter cet acquiescement comme une interruption.

• Un appelant qui modifie une commande en pleine phrase — « deux pizzas… non, trois. Trois grandes. Et… en fait, transformez l'une d'elles en margherita » — où Live 3 attend la fin de chaque correction au lieu d'agir sur la première commande complète plausible.

Fish Audio indique que le modèle peut décider de répondre en seulement 186 millisecondes, ce qui décrit de brèves réactions comme « mm-hmm », « okay » et de rapides confirmations plutôt que des réponses complètes. Au lancement, il ne parle qu’anglais et est disponible sur la Fish Agent Platform, via l’API de Fish Audio, ainsi qu’en local pour les entreprises. Ce qu’il n’a pas, c’est un quelconque benchmark publié, un quelconque score indépendant — Artificial Analysis ne comporte aucune ligne « Live 3 duplex » au 2026-11-11 — ni une ligne sur la grille tarifaire de Fish Audio.

Pourquoi les unités de tarification vous indiquent qu’il s’agit de produits différents

Fish Audio facture Drama 3 en octets UTF-8 du texte d’entrée : 50,00 $ par million d’octets au tarif catalogue, avec une promotion de lancement à 10,00 $ par million valable jusqu’au 30/11/2026. La documentation de l’entreprise elle-même convertit un million d’octets UTF-8 en environ 180 000 mots anglais, soit environ douze heures de parole — ce qui place drama-3 à environ 4,17 $ l’heure d’audio généré au tarif catalogue, et autour de 0,83 $ l’heure pendant la promotion. Cette unité existe parce que la TTS a une quantité de texte connue en entrée et une quantité d’audio connue en sortie.

Live 3 ne correspond pas du tout à cette unité, et il est absent de la grille tarifaire. Un appel d'agent en duplex n'a pas de script fixe : l'audio entrant est tout ce que dit l'appelant, l'audio sortant est tout ce que le modèle choisit de dire, et le coût intéressant porte sur les minutes de connexion plutôt que sur les octets de texte. Fish Audio n'a pas publié quel compteur de facturation elle utilisera, d'où le fait que la colonne Live 3 de toute comparaison de coûts soit vide plutôt que bon marché.

Ce que les deux modèles ont en commun, c’est une plateforme. Fish Audio's Agent Platform, actuellement en bêta publique, héberge des agents Live 3 et expose une surface REST sous /v1/agent/* avec des SDK JavaScript et React, des canaux pour un widget web, un numéro de téléphone ou un client personnalisé, ainsi qu’une authentification par jeton de session. Le hook custom-LLM de cette plateforme pointe vers un point de terminaison compatible OpenAI, qui constitue la jonction où vient s’insérer une couche de raisonnement de votre choix.

Là où ils se rencontrent dans un seul produit

La question intéressante n'est pas de savoir quel modèle l'emporte, mais à quoi ressemble un produit unique lorsque les deux sont utilisés pour ce qu'ils savent faire de mieux. Une ligne de réservation a besoin de Live 3 sur l'appel en direct, car c'est dans l'appel que se produisent les pauses et les corrections. Le même produit a généralement aussi besoin de Drama 3, ou d'un modèle similaire, pour tout ce qui n'est pas une conversation : la confirmation relue après l'appel, le message d'accueil de la messagerie vocale, le rappel sortant, la narration longue dans la page marketing qui a amené l'appelant à appeler. Il s'agit de tâches de rendu avec un script connu, et les atouts publiés de Drama 3 — la préférence des auditeurs, 93,2 % de prononciation, 83 langues, les poids ouverts publiés sous la Fish Audio Community License v1.0 avec un plafond de revenus de 500 000 $ — sont exactement les atouts dont une tâche de rendu a besoin.

Cette séparation a une conséquence tarifaire qu’il vaut la peine d’énoncer clairement, car c’est là qu’une couche de routage cesse d’être une abstraction. La couche de raisonnement derrière un agent Live 3 peut pointer vers n’importe quel service qui parle le protocole OpenAI ; OrcaRouter se trouve derrière ce point de terminaison avec 216 modèles à partir d’une seule clé, au prix catalogue du fournisseur sans marge et un basculement automatique en cas d’erreur d’un fournisseur, afin que le planificateur au sein de l’agent puisse être remplacé sans toucher à la couche vocale ni au numéro de téléphone. Un DSL de routage décide quel modèle traite quel type d’appel, et la fusion de modèles permet à un modèle bon marché de proposer un appel d’outil tandis qu’un modèle plus puissant le vérifie avant qu’il ne soit déclenché. OrcaRouter n’héberge pas Fish Audio Live 3 ni Drama 3 — aucun des deux n’est disponible via un point de terminaison tiers, et la couche vocale de cette pile reste chez Fish Audio. Ce qu’il héberge, c’est tout ce qui entoure la voix.

Lequel vous faut-il réellement ?

Vous avez besoin de Drama 3 si la sortie est un fichier. Narration, livres audio, publicités, voix de personnages, doublage, lectures d’accessibilité — tout cas où un humain a rédigé les mots et où un auditeur les entendra une fois, avec un rendu peaufiné. Il dispose des scores de préférence, du détail de la prononciation, du nombre de langues et d’un tarif par octet publié sur lequel vous pouvez baser vos prévisions. Ses poids sont également ouverts, ce qui compte si vous devez l’exécuter vous-même.

Vous avez besoin de Live 3 si la sortie est une conversation qui doit survivre à une interruption. Agents téléphoniques, lignes de réservation, prise de commandes, triage du support — tout cas où l'appelant répond et où le mode de défaillance consiste à être interrompu ou à devoir répéter une séquence de chiffres. Il dispose d'un argument de comportement, d'un plancher de latence fournisseur et d'une plateforme, et il n'a pas encore de benchmark ni de prix.

Vous avez probablement besoin des deux si vous construisez un produit vocal plutôt qu’une démo, et la séparation se situe sur la ligne entre le direct et le rendu. L’erreur à éviter est de choisir l’un pour faire le travail de l’autre : un modèle TTS ne peut pas décider quand arrêter de parler, et un modèle d’agent duplex est une façon coûteuse et non évaluée de produire un message d’accueil de messagerie vocale. Fish Audio vend les deux, les unités de tarification sont différentes à dessein, et la feuille de route qui les traite comme un seul produit se trompera dans ses prévisions de coûts dès le premier mois.