Fish Audio Drama 3 מחזיק כעת בשתי זירות הדיבור בו-זמנית — ואף אחד מהמספרים אינו זה שראיתם בשבוע שעבר

טבלת הדירוג מכילה שתי רשומות עבור מוצר אחד. Fish Audio Drama 3נמצא במקום השישי ב-Artificial Analysis Provider Voice Arena עם Elo של 1,278 ובמקום ה-12 ב-Controlled Voice Arena עם 1,085, ובשני הלוחות הוא המודל בעל המשקולות הפתוחות המדורג הגבוה ביותר בטבלה. הרשומה שכותרתה Fish Audio Drama 3 Preview — זו שזכתה לפרסום כאשר Fish Audio פרסמה אותה ב-2026-10-13 — עדיין מופיעה בנפרד, ב-1,240 וב-1,063. זה פער של 38 נקודות בלוח אחד ו-22 בלוח האחר, עבור מה שדף המוצר של הספק עצמו מכנה מודל יחיד תחת שני שמות. אם ציטטתם Elo של Drama 3 בשבועיים האחרונים, זה הקטע שאומר לכם איזו מהשתיים ציטטתם.

מה שהפורומים באמת אומרים היום

שני הנתונים נקראו מ-Artificial Analysis בתאריך 2026-10-29, ושניהם מגיעים עם אותו מחיר של 15.00 דולר למיליון תווים כפי שנרשם בלוח, כך שהפער של 38 נקודות אינו שינוי מחיר — אלו שתי הערכות של שני מצבים ארכיוניים של אותו מודל. כל דירוגי הקולות של הספקים מעל Drama 3 הם מערכות סגורות: Eleven v4 Turbo בדירוג 1,336 ובמחיר 40.00 דולר, Eleven v4 בדירוג 1,334 ובמחיר 80.00 דולר, Qwen-Audio-3.1-TTS-Plus בדירוג 1,305 ובמחיר 19.30 דולר, Cartesia Sonic 3.6 בדירוג 1,296 ובמחיר 49.00 דולר, ו-Google Gemini 3.8 Flash TTS בדירוג 1,283 ובמחיר 16.50 דולר. כל אחד מהם עולה יותר למיליון תווים מהרשומה של Fish Audio שמדורגת מיד מתחתיהם.

לוח הדירוג לקולות מבוקרים הוא המקום שבו שתי רשומות Drama 3 נבדלות בצורה החדה ביותר בדירוג, ושבו הטענה בדבר משקלים פתוחים היא הקלה ביותר לבדיקה, משום שכל הדגמים בו מדורגים לפי אותן קולות ייחוס קבועים ולא לפי הקטלוג של כל ספק. הפריסה המלאה של הערכים במשקלים פתוחים נכון להיום:

• קול ספק — Fish Audio Drama 3 1,278 (#6); Fish Audio Drama 3 Preview 1,240 (#12); Breeze TTS 2 1,228 (#13); Voxtral 3 TTS 1,223 (#15).

קול מבוקר — Fish Audio Drama 3 1,085 (#12); Ming-3.0-tts 1,068 (#17); Fish Audio Drama 3 Preview 1,063 (#20); Breeze TTS 2 1,021 (#28).

• הפער שמשנה — בקולות מבוקרים, Drama 3 עדיין מאחורי Eleven v4 (1,156, #4), Inworld Realtime TTS-2 (1,146, #7) ו-Google Gemini 3.8 Flash TTS (1,053, #24) נמצא מתחתיו, אבל המערכות הסגורות בראש הלוח הזה אינן במרחק של ארבע נקודות, אלא שבעים. HeyGen Voice מוביל אותו עם 1,193.

נובעים שני דברים. ראשית, "ראשון בקרב משקולות פתוחות" נכון בשתי הזירות היום, וזה לא תיקו באף אחת מהן. שנית, הפער בלוח המבוקר — 17 אלו מעל Ming-3.0-tts בחמישית ממספר הפרמטרים — נמצא בטווח שבו כמה אלפי הצבעות יכולות לשנות את הסדר, ולכן יש להתייחס אליו כאל הובלה ולא כאל נעילה.

ציון ההגייה הוא מקום ראשון משותף, לא מוחלט.

ההכרזה של Fish Audio מצטטת 93.2% במדד English Pronunciation Robustness של Artificial Analysis, לעומת 88.1% ב-S2.1 Pro הקודם שלה, ומתארת אותו כציון הגבוה ביותר בטבלת המובילים. זה היה מדויק כאשר הציון נרשם ב-2026-10-20, עם הסתייגות שהטקסט השיווקי משמיט: Ming-3.0-tts של Ant Group הגיע לאותם 93.2%, כך שהטבלה מציגה תיקו במקום הראשון מבין 31 מודלים שקיבלו ציון, ולא מוביל יחיד. Eleven v4 עומדת על 91.7% ו-Eleven v4 Turbo על 90.1%.

הנתון המצטבר מסתיר פשרה אמיתית. החוזק של Drama 3 הוא בשמות עצם פרטיים ובמילים התלויות בהקשר — 95.9% במונחים עצמאיים כגון מותגים, מקומות ושמות טכניים, ו-95.3% במילים שהקריאה שלהן תלויה במשפט. החולשה שלה היא כל דבר שחייב להיות משוחזר תו אחר תו: 86.3% בקודים, נתיבים וכתובות דוא"ל — ושם Ming מגיע ל-90.6%. הקטגוריה היחידה שבה Drama 3 מפסיד באופן מוחלט היא קיצור מורחב — מספרים, תאריכים ויחידות — עם 93.6% לעומת 94.1% של Eleven v4. אם הצינור שלכם מקריא בקול מספרי הזמנה, קודי חלקים או מחרוזות מעקב, ה-93.2% הכותרתי הוא המספר הלא נכון לתכנון; ה-86.3% הוא הנכון.

מה שוחרר ב-2026-10-13, ומה שישה עשר יום משנים

שום דבר מזה אינו השקה, ואסור לדווח עליו ככזה. Fish Audio הכניסה את המודל לאפליקציית האינטרנט שלה, לאפליקציות ה-iOS וה-Android שלה ול-API שלה ב-2026-10-13, עם מזהה המודל ב-API "drama-3". מה שחדש בשבועיים האחרונים הוא הניקוד העצמאי של המודל הקמעונאי, ולא קיומו של המודל. שווה לפרט את ההשלכות המעשיות של הבחנה זו, מפני שהסיקור המוקדם של מודל זה — כולל בבלוג הזה — נכתב על סמך נתוני ה-Preview.

הארכיטקטורה לא השתנתה בין שתי הרשומות: תערובת מומחים בת 35 מיליארד פרמטרים מאותחלת מ-Qwen3.5-35B-A3B, עם כ-3 מיליארד פרמטרים פעילים לכל טוקן ו-8 מתוך 256 מומחים מנותבים ועוד מומחה משותף אחד שפועלים. ארבעים שכבות מסודרות בבלוקים חוזרים של שלוש שכבות Gated DeltaNet ושכבה אחת של קשב מלא עם שער, כך שרק שכבה אחת מכל ארבע שומרת מטמון KV. המפענח הוא עיצוב codebook-MTP — ארבע שכבות משותפות שמזינות תשע שכבות ברוחב מלא, אחת לכל ספר קוד אקוסטי — ורק ספרי הקוד 0 ו-1 מוזנים בחזרה לעמוד השדרה. המפרק הוא אותה תצורת Descript Audio Codec שבה השתמש S2: 44.1 קילו-הרץ, עשרה ספרי קוד, כ-21.5 פריימים לשנייה, סיבתי לחלוטין. אי-התאמה קטנה אחת ראויה לציון כי היא תבלבל כל מי שמשווה בין שני המקורות: ההודעה של Fish Audio אומרת 35 מיליארד פרמטרים, וכרטיס הדגם של Hugging Face מדווח על גודל דגם של 36B. ההבדל הוא כנראה מוסכמת עיגול או ספירת הטמעות ולא צ'קפוינט שונה, אך שני המספרים הם מה שתמצא בכל מקום.

התפוקה ב-H200 בודד היא נתון ספק של 271 פריימים לשנייה לעומת 177 עבור S2, וזה מה שמודל MoE עם 35B ומסלול פעיל של 3B אמור להקנות לך. ההגשה מתבצעת דרך SGLang-Omni. המשקלים נמצאים ב-Hugging Face כ-fishaudio/drama-3 — כ-40 GB פרוסים על פני קבוצה של שברי safetensors בתוספת קובץ codec נפרד — והאינפרנס ב-FP8 דורש בערך 48 GB של VRAM, ללא נתיב CPU או ROCm מתועד. האילוץ האחרון הוא זה שמכריע את רוב שאלות האירוח העצמי, והוא הנושא של השוואת Breeze TTS 2 ולא של השוואה זו.

שלושה מחירים, והכרטיס הוא לא זה שכדאי לתכנן מולו.

כאן מקור הנתונים חייב להיות מפורש, מפני ששלושה מספרים נמצאים במחזור ושניים מהם אינם כפי שהם נראים. Artificial Analysis מתעד $15.00 למיליון תווים עבור שתי הרשומות של Drama 3. דף ההכרזה של Fish Audio עצמו מציין מחיר מחירון של $50.00 למיליון תווים, עם תעריף השקה של $10.00, כלומר 80% הנחה, עד 2026-11-12. והתיעוד למפתחים של Fish Audio מחייב ביחידה שלישית לחלוטין: למיליון בתים של UTF-8, כאשר drama-3 ב-$50.00, ‏s2.1-pro ב-$15.00, ותעריף ההשקה ב-$10.00 עד 2026-11-12 09:00 PT. באנגלית יש כמעט בית אחד לכל תו, ולכן נתוני הבתים והתווים ניתנים להחלפה בקירוב בטקסט באנגלית, אך הם מתפצלים בחדות במערכות כתב שבהן כל גליף עולה יותר מבית אחד.

ה-$15.00 בלוח המובילים שווה מבט שני ולא משיכת כתפיים, משום שהוא בדיוק מחיר המחירון של s2.1-pro, המודל הקודם של Fish Audio, ולא המחיר של המודל שנמדד. או שהלוח רשם נתון משולב או מועבר, או שהוא תמחר את המודל בתעריף ש-Fish Audio אינה מפרסמת עבורו. המספר שעליו לבסס את התקציב הוא זה שבטבלת המחירים של Fish Audio עצמה: $50.00 למיליון בתים של UTF-8 לפי מחיר המחירון, אשר התיעוד של הספק משווה לכ-180,000 מילים באנגלית, או בערך שתים-עשרה שעות דיבור — אפשר לקרוא לזה $4.17 לשעת אודיו מוגמרת. הנחת השקה שמסתיימת בעוד שבועיים אינה מחירון; במחיר של $10.00 אותן שתים-עשרה שעות עולות כ-$0.83.

רישיון: משקלים פתוחים, לא קוד פתוח, וסעיף אחד שקובע הרבה

המשקלים מתפרסמים תחת Fish Audio Community License v1.0. שימוש למחקר ולא-מסחרי הוא חופשי. שימוש מסחרי הוא חופשי אם אתה והגופים המסונפים אליך נשארים מתחת ל-US$500,000 בהכנסות שנתיות; מעל לכך, או אם ברצונך להציע את Drama 3 כשירות המרת טקסט לדיבור, שיבוט קול או הסקה, תזדקק לרישיון נפרד מ-Fish Audio. הרישיון גם אוסר שיבוט קולו של אדם אמיתי ללא הסכמה, וה-FAQ של Fish Audio מתייחס ל"יצירת אודיו מוגמר עבור לקוחות" כמותר, וזה הסעיף שחשוב לסוכנויות ולבתי פוסט. S2 נותר כפוף ל-Research License המחמיר יותר, ולכן שני הדורות אינם ניתנים להחלפה בפריסה מסחרית.

Artificial Analysis מציין את המודל כבעל משקלים פתוחים ללא זכויות שימוש מסחרי מלאות. זהו תיאור כן: אפשר להוריד ולהריץ אותו, אבל לא בהכרח למכור גישה אליו. כל מי שמתכנן מוצר מתארח על בסיס המשקלים האלה צריך לקרוא את סעיף השירות לפני שהוא בונה את דף החיוב, לא אחרי.

מה זה אומר עבור צינור ייצור

הסיבה שתוצאת שתי הזירות ראויה לפרסום ולא להערת שוליים היא שהיא משנה את מה שצוות יכול להניח. לפני שישה עשר יום, הקביעה שאפשר היה להגן עליה הייתה שמודל עם משקלים פתוחים נכנס לעשירייה הראשונה של לוח העדפות וטען ליתרון בהגייה לפי ההערכה שלו עצמו. היום פסק הדין הבלתי־תלוי מצומצם יותר וחזק יותר: זהו המודל הטוב ביותר עם משקלים פתוחים בשתי הזירות, הוא במקום ראשון משותף בהגייה ולא במקום ראשון מוחלט, והוא עושה זאת בתעריף בינוני עם משקלים שכל אחד יכול להוריד.

Drama 3 אינו אחד מהמודלים ב-OrcaRouter. הוא נגיש דרך ה-API של Fish Audio עצמה ומספר פלטפורמות צד שלישי, וקטע שהיה מעמיד פנים אחרת היה משקר לכם לגבי הדבר היחיד שהבלוג הזה נועד לו. מה שאנחנו עושים הוא החצי השני של הבעיה: את ~200 המודלים מאחורי מפתח יחיד במחיר המחירון של הספק ללא תוספת, מעבר אוטומטי במקרה כשל, ה-DSL לניתוב ומיזוג מודלים הם הדרך שבה צינור שכבר קורא לספקים אחרים קולט מודל כמו זה בלי חוזה שני ו-SDK שני. אם Drama 3 יהפוך לקול הקריינות בתור רינדור ולתור יש מועד אחרון, הערך של ניתוב כל השאר דרך נקודת קצה אחת הוא שכבר קיים נתיב לניסיון חוזר.

מה כדאי לעקוב אחריו בשבועיים הקרובים, לפי מידת השינוי שהוא עשוי לחולל בתמונה: אם הפער של 22 נקודות בין שתי הרשומות של Drama 3 ייסגר או ייתרחב ככל שיותר הצבעות מגיעות לרשומה הקמעונאית; אם Ming-3.0-tts תעלה ליתרון בהגייה לאחר שציון שמות העצם הפרטיים שלה, במקום ה-21, יימדד מחדש עם מספר מקטעים גדול יותר; ואם מישהו מחוץ ל-Fish Audio ישחזר את הנתון של 271 פריימים לשנייה בחומרה שאינה H200. מספרי הזירה מבוססים מספיק כדי לצטט אותם. נתון התפוקה הוא עדיין טענה של ספק, והרישיון הוא עדיין הדבר שסביר ביותר להכריע אם צוות יוכל להשתמש בזה בכלל.