AssemblyAI-TTS-1 מול Fish Audio Drama 3: כפתור תשלום מול הורדה של 41.5 ג'יגה-בייט

הדבר הראשון שצריך להבין לגבי AssemblyAI-TTS-1 לעומת Fish Audio Drama 3 הוא שאחד מהם הוא קובץ. Drama 3, שיצא ב-13 באוקטובר 2026, הוא מודל דיבור מסוג mixture-of-experts עם 35 מיליארד פרמטרים, שפורסם ב-Hugging Face בתור fishaudio/drama-3 — כ-41.5 GB של משקולות לפני שמוסיפים קודק, וכ-48 GB של VRAM כדי להגיש אותו ב-FP8. AssemblyAI-TTS-1, זמין באופן כללי מאז 27 באוקטובר 2026 ב-15 דולרים למיליון תווים, הוא נקודת קצה HTTPS ב-US-East או ב-EU-North שמשיבה בפחות מעשירית השנייה ומבקשת ממך רק טקסט. כל השוואה ביניהם שמתחילה בציוני Elo מתחילה במקום הלא נכון, כי שני המוצרים נבדלים זה מזה על ידי החלטה תפעולית לפני שהם נבדלים על ידי החלטת איכות.

מה אפשר לקנות ב-15 דולר, ומה אפשר לקנות ב-41.5 גיגה-בייט

הצד של AssemblyAI-TTS-1 קצר לתיאור. תעריף אחיד של 15 דולר למיליון תווי קלט, המכסה את כל יותר מ-4,000 הקולות בספרייה, שיבוט מיידי מדגימה של 24 שניות, חותמות זמן למילים, שש שפות בהשקה (אנגלית, ספרדית, צרפתית, גרמנית, איטלקית ופורטוגזית), עיבוד בארה״ב או באיחוד האירופי, נקודות קצה של WebSocket ו-HTTP בתוספת נתיב תואם OpenAI, הודעת ביטול להפרעה, ומקביליות בלתי מוגבלת ללא עלות נלווית. אין SSML, אין פרמטר מהירות, אין מילון הגייה, אין תגיות רגש, אין שכבת שיבוט מקצועית.

צד ה-Drama 3 הוא צורה אחרת לגמרי של מוצר. זהו מודל MoE בנפח 35B עם כ-3 מיליארד פרמטרים פעילים לכל טוקן, המאותחל מ-Qwen3.5-35B-A3B, עם 40 שכבות, 8 מתוך 256 מומחים מנותבים ועוד אחד משותף — וזו הסיבה שהוא יכול להישמע אקספרסיבי ועדיין להיכנס על מאיץ בודד. הוא מכסה 83 שפות, משכפל קולות, מטפל בעד 16 דוברים במעבר אחד, ומקבל הוראות בימוי בשפה טבעית בסוגריים כגון [sighs] שהמודל פועל לפיהן. הוא גם, על פי כרטיס המודל של Fish עצמו, בנוי לביצוע מכוון: דיבוב, קריינות, סצנות מרובות דמויות. הלופ הטלפוני מתחת ל-100 מ״ש הוא לא מה שהוא כוון אליו.

ההבחנה הזו אינה ביקורת על אף אחד מהם. היא הסיבה שההשוואה הזו קיימת בכלל: Drama 3 הוא המודל היחיד בסדרה הזו שאפשר להחזיק בבעלות מלאה, ו-AssemblyAI-TTS-1 הוא היחיד בסדרה הזו שאפשר להציב מול מתקשר כבר היום אחר הצהריים בלי לקנות GPU.

המתמטיקה של המקביליות היא הטיעון האמיתי

שני הספקים מפרסמים נתון השהיה, ואף אחד מהם אינו בר-השוואה ישירה, לכן התייחסו לדברים שלהלן כשתי טענות נפרדות ולא כהשוואה ראש בראש.

• Drama 3, {{1}}כרטיס המודל של הספק{{/1}} — {{2}}זמן חציוני של 88.9 ms עד לאודיו ראשון בזרם בודד על H200 אחד{{/2}}, {{3}}מקדם זמן אמת 0.131{{/3}}, {{4}}271 פריימים לשנייה{{/4}}. תמיכת ההגשה הגיעה בתוך ימים מהשחרור, ואותה חומרה {{5}}מגיעה לזמן חציוני של 255 ms עד לאודיו ראשון ב-128 זרמים במקביל{{/5}}, או כ-{{6}}222 שניות אודיו לכל שנייה של זמן שעון{{/6}}.

• AssemblyAI-TTS-1, מעבדת הספק — חציון של 47 מ״ש לזמן עד לבייט הראשון; נמדד באופן עצמאי על ידי Cekura ב־159 מ״ש חציון לזמן אתחול הזרמה וב־296 מ״ש באחוזון ה־90, עם תפוקה של 162 תווים לשנייה במדידה של Artificial Analysis.

תביט במה שקורה למספר של Drama 3 ככל שהעומס עולה: 88.9 ms לבד, 255 ms ב־128 זרמים. זהו עקומה טובה לחלוטין עבור צינור דיבוב, ושולית עבור מוקד טלפוני, שבו כל אלפית שנייה לפני שהמתקשר שומע משהו היא אלפית שנייה של שקט מת. הטענה הנגדית של AssemblyAI אינה מספר מהיר יותר, אלא היעדר עקומה — מקביליות בלתי מוגבלת בתעריף אחיד, משום שבעיית התזמון היא של הספק ואתה לעולם לא רואה אותה. האם ההבטחה הזו תשרוד את התנועה שלך היא בדיוק הדבר שצריך לבדוק, מכיוון שטענת מקביליות בלתי מוגבלת בלי התנהגות תורים מפורסמת היא טענה על האשכול של מישהו אחר.

שני שטרות שאינם באותן יחידות

Fish מפרטת את Drama 3 במחיר של $50.00 למיליון בייטים UTF-8, אשר התיעוד של הספק עצמו משווה לכשערוך שתים־עשרה שעות דיבור — כ-$4.17 לשעת אודיו. יש מבצע השקה במחיר $10.00 למיליון בייטים, כ-$0.83 לשעה, שנמשך עד 12 בנובמבר 2026. AssemblyAI-TTS-1 במחיר $15 למיליון תווים יוצא לכשערוך $0.81 לשעת דיבור, תוך שימוש באותה הנחה מיטיבה של כ-900 תווים לדקה של אודיו שיחתי רגיל.

אז במהלך המבצע השניים מתומחרים בהפרש זניח זה מזה, ובמחיר מחירון Fish יקר פי חמישה בערך לשעת פלט — וזה לפני שאתם קונים את ה-H200. אירוח עצמי לא מסיר את העלות, הוא ממיר חשבון לפי תו לחשבון לפי שעת GPU בתוספת אדם שיודע לשרת אותו.

שתי מלכודות ראויות להזכרה, משום שקל ליפול בהן.

• תווים אינם בתים. Fish מחייבת לפי בתים ב-UTF-8, ו-AssemblyAI לפי תווים. טקסט באנגלית קרוב לבית אחד לכל תו, כך ששני אלה נראים בני השוואה; יפנית, ערבית או כתבים עתירי אמוג'י מנפחים את ספירת הבתים ומעלים בשקט את חשבון Drama 3 ב-30–100% על אותו תסריט.

• כותרת מודל חסרה אינה מפילה את המערכת בקול רם. התיעוד של Fish עצמו מציין שמזהה מודל חסר או כזה שאוית בשגיאה נופל אל s2.1-pro בתעריף של 15.00 דולר למיליון בייטים — תוספת של 50% מעל תעריף המבצע של Drama 3, עבור מודל אחר, ללא כל שגיאה בתגובה.

יש מספר שלישי במחזור, ושווה לציין אותו בשמו, כי תיתקלו בו בלוח מובילים. עמודת המחיר של Artificial Analysis מציינת את Drama 3 ב-$15.0 למיליון תווים, וזה לא מתיישב עם ה-$50 למיליון בתים של Fish או עם ה-$10 המבצעי. שלושה מספרים — מחירון, מבצע, ונרמול לפי הלוח — ורק שני הראשונים מגיעים מהספק. המספר של הלוח הוא יחידת השוואה, לא הצעת מחיר.

שער הרישיון בתחתית הפוסט

Drama 3 אינו קוד פתוח במובן שרוב הצוותים מניחים. הוא מופץ תחת Fish Audio Community License v1.0: שימוש מסחרי הוא חינמי מתחת ל-US$500,000 בהכנסות שנתיות, מעל לכך חל רישיון נפרד, ומכירה חוזרת של המודל כ-TTS API מתארח מחייבת הסכם נפרד ללא תלות בגודל. Artificial Analysis רושמת אותו כמשקולות פתוחות ללא זכויות מלאות לשימוש מסחרי, וזה התיאור המדויק.

ל-AssemblyAI-TTS-1 אין שער כזה כי אין לו משקולות — אינכם יכולים להפעיל אותו בעצמכם, לכוונן אותו, או להמשיך להריץ אותו אם הספק משנה את התמחור שלו. זהו המחיר שאיש לא מכניס לטבלת השוואה: הרישיון של Drama 3 מגביל את מה שאפשר לעשות עם המודל, והארכיטקטורה של AssemblyAI-TTS-1 מגבילה את מה שאפשר לעשות בלי הספק.

פער האיכות, נאמר פעם אחת

ב-Provider Voice Arena של Artificial Analysis — לפי קריאה ב-30 באוקטובר 2026, כלומר אותה הרצה עבור שניהם — Drama 3 מדורגת במקום השישי עם 1,278 Elo ו-AssemblyAI-TTS-1 מדורגת במקום ה-14 עם 1,227. ב-Controlled Voice Arena, Drama 3 נמצאת במקום ה-12 עם 1,085 ו-AssemblyAI-TTS-1 במקום העשירי עם 1,110, מה שהופך את הסדר ומראה לך ששני הלוחות מודדים דברים שונים: קולות סטנדרטיים בראשון, ונאמנות שיבוט מול ייחוס קבוע בשני. Drama 3 היא המדורגת החזקה מבין השתיים בקול טבעי, והפער בין השתיים נמצא בתוך הרעש כאשר הקלטת הייחוס מוחזקת קבועה.

המספר שמפריד ביניהם בצורה החדה ביותר הוא עמידות ההגייה, ושם Drama 3 מוביל outright — מקורות מציבים את הנתון בכל מקום בין כ-93% ל-95% בהתאם למועד שבו נקראה העמוד, ולכן יש להתייחס לדירוג כעובדה ולספרה העשרונית כקישוט. AssemblyAI-TTS-1 משיג 81.7% באותו מכשיר, במקום השישה עשר, כאשר תת-הציון החלש ביותר שלו הוא בהרחבת קיצורים ל-73.8%. אם הקלט שלך מלא בקיצורים, Drama 3 מטפל בהם ללא מילון. אם הקלט שלך הוא מספר טלפון הנקרא בקול, הבדיקה העצמאית של Cekura מציבה את AssemblyAI-TTS-1 ראשון בתחומו עם 91.7% בדיוק בקטגוריה הזו.

אין לראות בבנצ'מרק של אף אחד מהספקים מדד עצמאי. דיוק המילים של AssemblyAI — 99.0% — ה-MOS החזוי של 3.85 וציון ה-TTSDS של 85.5 מגיעים ממערכת הבדיקה שלה על מערכי הבדיקה המוחזקים שלה; ה-88.9 ms ו-271 הפריימים לשנייה של Fish מגיעים מכרטיס המודל שלה. מדידות הצד השלישי — Artificial Analysis, Cekura, Coval — הן היחידות במאמר הזה שהופקו בידי מישהו שאין לו מוצר למכור.

בחר לפי מה שאתה יכול לתפעל, לא לפי מה שמדורג גבוה יותר

ישנן בדיוק שלוש סיטואציות שבהן Drama 3 היא התשובה הנכונה. כאשר נדרשת ביצוע אקספרסיבי ומבוים עם הוראות במה ומספר דוברים במעבר אחד — אין ויכוח, ל-AssemblyAI-TTS-1 אין מקבילה לכך. כאשר נדרשת שפה שאינה אחת משש השפות שאיתן AssemblyAI יצאה לדרך — 83 מול 6, וההשוואה נגמרת שם. או כאשר נדרש המודל על החומרה שלך משיקולי ריבונות נתונים שאותם אזור ספק בארה״ב או באיחוד האירופי אינו עונה עליהם — דרישה ממשית עבור חלק מעומסי העבודה המוסדרים, והיחידה שמצדיקה את ה-GPU.

כל השאר קונים סוכן טלפוני, וסוכן טלפוני רוצה חשבון קבוע, בלי תור מאחורי H200 של מישהו אחר, ובעיית הגייה שהוא יכול לתקן. AssemblyAI-TTS-1 נותן לך את שני הראשונים ועדיין לא נותן לך את השלישי. זו הצורה הכנה של זה: Drama 3 הוא המודל הטוב יותר והמוצר הגרוע יותר למשימה הזו.

הפשרה המעשית שרוב הצוותים יגיעו אליה היא שניהם — Drama 3 עבור האודיו המופק שאתם מפרסמים כתוכן, AssemblyAI-TTS-1 עבור הדיבור לפי תורות בלולאה החיה, עם נתיב גיבוי אחד ביניהם. החזקת ספק TTS שני מחובר היא אותו סטנדרט ש-OrcaRouter מיישם על החלק של מודל השפה באותה ערימה: API אחד ליותר מ-200 מודלים במחיר המחירון של הספק עם 0% תוספת, מעבר אוטומטי לגיבוי כשספק מתדרדר, ו-DSL לניתוב שמאפשר לנקודת קצה אחת לשרת כמה מודלים במקום כמה חוזים. אף אחד משני מודלי הדיבור האלה אינו בקטלוג של OrcaRouter היום — נתיבי הדיבור שאנחנו מציעים הם משפחת tts-1 של OpenAI ותצוגות Gemini TTS של Google — אז יש לקרוא את זה כצורת הטיעון ולא כהצעה שאפשר לקנות כאן Drama 3.

מה היה משנה את הקביעה הזו: Fish מפרסמת עקומת מקביליות שנשמרת מתחת ל-150 מ״ש בהיקף של מוקד טלפוני, או AssemblyAI מוסיפה מילון הגייה ועוד ארבע שפות. שימו לב קודם לאפשרות השנייה. זהו שינוי תצורה, והחברה שהשיקה כרטיס תעריפים אחיד של 15 דולר כבר הראתה שהיא מעדיפה להתחרות על החשבון.