GPT-Live-1 vs Fish Audio Drama 3 : l'un que vous pouvez télécharger, l'autre que vous pouvez seulement louer

Fish Audio Drama 3 Preview est livré sous la forme de 41,5 gigaoctets de poids téléchargeables que vous pouvez diriger vers votre propre GPU, inspecter, affiner et continuer à faire tourner après que le fournisseur s'en est désintéressé. GPT-Live-1 est livré sous la forme d'une URL. Il n'y a aucun poids à télécharger, aucun chemin d'inférence local, et aucun moyen de l'écouter du tout sans ouvrir une session auprès du point de terminaison d'OpenAI v1/live/sessions, à 0,05 $ par minute.

Cela ressemble à un détail d’achat. C’est pourtant là que se joue la décision. L’un de ces modèles est un actif auquel est attachée une licence ; l’autre est un service auquel est attaché un compteur, et les deux se comportent de manière radicalement différente lorsque votre produit survit à une page de tarification.

Ce qu’est réellement Drama 3

Fish Audio a publié Drama 3 Preview à la mi-octobre 2026 : un modèle de synthèse vocale à mélange d’experts de 35 milliards de paramètres, avec environ 3 milliards de paramètres actifs par token, reposant sur un socle Qwen3.5-35B-A3B. Il couvre 83 langues, prend en charge jusqu’à 16 locuteurs distincts au sein d’une même requête, clone des voix à partir de courtes références et accepte des consignes en langage naturel — dites-lui qu’une réplique doit sonner résignée, ajoutez un son, ou indiquez quels mots changent, et il l’interprète plutôt que de le lire de manière plate.

Le plafond de locuteurs multiples est la fonctionnalité qui importe sur le plan commercial. Une fiction audio à deux personnages, un podcast avec un animateur et un invité, une vidéo de formation avec un narrateur et un client : chacun correspond à un seul appel API, et non à seize fichiers recousus avec des ambiances de salle discordantes.

Sur la Provider Voice Arena d’Artificial Analysis, relevé le 29 octobre 2026, Drama 3 Preview affiche 1240 Elo, onzième au classement général et premier parmi les modèles à poids ouverts, devant Breeze TTS 2 à 1228. Fish annonce une robustesse de prononciation de 93,2 %, la plus élevée revendiquée au lancement et supérieure aux 91,7 % qu’ElevenLabs annonce pour Eleven v4.

Ce qu’est réellement GPT-Live-1

Le modèle d'OpenAI est du type opposé. Depuis le 10 septembre 2026, il est appelable à 0,05 $ par minute vocale, facturé à la seconde, avec audio et texte en entrée comme en sortie, le streaming et l'appel de fonctions pris en charge, et les sorties structurées explicitement pas. Il est full-duplex : il vous entend pendant qu'il parle, et il délègue le raisonnement lourd à un modèle textuel en arrière-plan.

Il ne propose pas de produit de clonage vocal, pas de mode multi-locuteurs, et aucune méthode documentée pour prendre un script et renvoyer un fichier audio déterministe. Ce qu'il offre, c'est une conversation. Pour un agent téléphonique, c'est exactement ce qu'il faut. Pour une scène à quatre personnages, ce n'est pas un outil moins bon, c'est la mauvaise catégorie d'outil.

Le nombre que les deux parties impriment

Voici un détail qu’il vaut la peine de signaler, car il troublera quiconque compare des fiches techniques : Drama 3 de Fish Audio et Ming-3.0-TTS d’Ant Group rapportent tous deux une robustesse de prononciation de 93,2 % sur la même mesure d’Artificial Analysis. Deux laboratoires différents, deux architectures différentes, et le même chiffre au dixième près.

Ce n'est pas une erreur de copier-coller et ce n'est pas une égalité. C'est à quoi ressemble un plafond — les 6,8 % restants constituent la queue difficile du texte anglais : séquences alphanumériques, noms propres inhabituels, nombres lus en contexte. Quiconque prétend à une victoire décisive en matière de prononciation entre les meilleurs modèles à poids ouverts ne lit que du bruit. La question utile est de savoir quels cas d'échec votre contenu contient réellement, et cela exige de tester votre propre texte, pas de lire un classement.

La licence, c’est la partie que personne ne lit

Drama 3 est en open weights (poids ouverts), et non open source au sens permissif. Il est distribué sous la licence Fish Audio Community License v1.0 : gratuit pour la recherche et les travaux non commerciaux, gratuit pour un usage commercial en dessous de 500 000 $ de chiffre d’affaires annuel, et nécessitant un accord séparé au-delà de ce seuil. L’hébergement d’API par des tiers nécessite sa propre licence, et l’attribution est obligatoire.

Il s’agit d’une licence raisonnable et d’une véritable contrainte. Trois conséquences en découlent :

• En dessous de la ligne de revenus, l’auto-hébergement est réellement gratuit — vous payez l’électricité et le temps GPU, et rien d’autre.

• Au-dessus, vous êtes de retour dans une négociation, et l’avantage « nous possédons les poids » se réduit à « nous pouvons encore les exécuter pendant que nous parlons ».

• Revendre l’accès à vos propres clients nécessite presque certainement un accord distinct, quel que soit votre chiffre d’affaires.

La licence de GPT-Live-1 est plus simple, à la manière dont un contrat de location est plus simple : vous payez à la minute, vous l’utilisez, vous arrêtez. Aucun seuil de chiffre d’affaires, aucune clause d’attribution, aucune obligation de divulguer le nombre de vos clients. Cette simplicité a de la valeur, et elle en a d’autant plus que vous êtes petit.

Ce que le matériel coûte réellement

L’auto-hébergement de Drama 3 nécessite environ 48 Go de mémoire NVIDIA en FP8, dont environ 41,5 Go de poids. Un H100 ou une instance louée de classe A100 le supporte ; une carte grand public ne le fait pas, confortablement. Deux mises en perspective suivent.

Si vous possédez déjà le GPU, le coût marginal de la synthèse est proche de zéro et le prix de l’offre hébergée semble absurde : Fish affiche 50 $ par million de caractères, propose une promotion de lancement à 10 $ par million jusqu’au 12 novembre 2026, et Artificial Analysis relève le prix affiché à 15 $. Une scène de dix minutes d’environ 9 000 caractères coûte entre neuf et quarante-cinq cents, selon lequel de ces trois montants vous est réellement facturé.

Si vous ne possédez pas le GPU, vous en louez un de toute façon, et la comparaison se ramène à des heures-GPU contre des millions de caractères. À un tarif typique de 2 $ par heure-GPU, un modèle qui synthétise dix fois plus vite que le temps réel produit environ dix heures d’audio par heure de location — soit environ 540 000 caractères à un rythme de parole normal. Cela équivaut à environ 3,70 $ par million de caractères, bien en dessous de tous les tarifs d’hébergement du tableau, mais uniquement à taux d’utilisation soutenu. En dessous d’un cycle d’utilisation d’environ 30 %, la location n’apporte aucun gain, et l’hypothèse sur le débit est exactement cela : une hypothèse que vous devez mesurer sur votre propre instance, et non un chiffre publié par Fish.

En revanche, le coût de GPT-Live-1 est linéaire et ennuyeux : 0,05 $ la minute, chaque minute, sans coût fixe, sans risque d’utilisation. Dix minutes de conversation coûtent 0,50 $. Dix minutes de narration avec Drama 3 reviennent à environ 0,135 $ au prix enregistré au tableau. Des tâches différentes, des compteurs différents, et l’un d’eux a un coût fixe que vous pouvez amortir.

Là où la location reste gagnante

La conformité est l’argument discret en faveur du modèle hébergé. Les poids de Drama 3 peuvent être copiés, affinés pour être intégrés au produit d’un concurrent, ou laissés en fonctionnement dans une juridiction sur laquelle votre équipe juridique a des opinions. GPT-Live-1 vous fournit un point de terminaison, une facture et un fournisseur qui assume le risque côté modèle. Pour une entreprise réglementée, ce n’est pas de la paresse ; c’est une prime d’assurance.

La politique de latence vient en second. La prise de parole en duplex intégral est un comportement, pas un point de contrôle : un tour de 0,8 seconde et une précision des appels d’outils de 87 % sont ce qu’OpenAI indique pour ce modèle, et ces deux chiffres sont des données du fournisseur plutôt que des mesures indépendantes. On ne peut pas télécharger ce comportement avec Drama 3, parce que Drama 3 n’essaie pas de vous entendre.

Et la gestion des défaillances arrive en troisième position. Un modèle téléchargeable tombe en panne quand votre GPU tombe en panne. Un modèle hébergé tombe en panne quand celui de quelqu'un d'autre défaille — un risque différent, pas forcément plus grave, et que vous pouvez couvrir.

Où placer la haie

La couverture doit se situer derrière la couche vocale, et non en son sein. Aucun de ces deux modèles n’est servi par OrcaRouter : les poids de Drama 3 ne figurent pas dans notre catalogue, et GPT-Live-1 ne dispose que d’un seul endpoint et d’aucune interface compatible. Ce qui est routable, c’est le segment de raisonnement dont dépend un agent conversationnel — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — accessibles via une clé unique avec basculement automatique, aux prix catalogue des fournisseurs répercutés sans marge (0 %).

C’est le bon endroit pour consacrer votre budget de redondance. Une défaillance de la sortie vocale est bruyante et évidente ; une défaillance du modèle texte qui la sous-tend est celle qui ruine silencieusement la qualité des appels pendant une semaine. Gardez l’oreille verrouillée sur le modèle que vous avez choisi. Gardez le cerveau interchangeable.

La décision, en un paragraphe chacun.

Choisissez Drama 3 si vous produisez de l'audio plutôt que des conversations : scènes, podcasts, doublage, contenus de formation multi-personnages, et si vous êtes soit sous le seuil de revenus, soit prêt à négocier au-dessus. Le MoE 35B, la limite de seize locuteurs et l'Elo de 1240 forment un ensemble vraiment solide, et les poids signifient que personne ne peut vous le retirer.

Choisissez GPT-Live-1 si le produit est une conversation en direct et que la valeur réside dans la gestion des interruptions. Il coûte plus cher par minute délivrée, il ne vous donne rien à posséder, et il fait la seule chose que Drama 3 ne peut structurellement pas faire : écouter pendant qu’il parle.

Les deux figurent côte à côte sur une fiche technique, mais sont à des lieues l'un de l'autre à l'usage. Quiconque achète l'un en comptant qu'il fasse le travail de l'autre conclura que le modèle est mauvais, alors qu'on ne lui a simplement jamais demandé de faire cette chose-là.