Fish Audio Drama 3 Preview בראש זירת הדיבור של המודלים במשקולות פתוחות

Fish Audio Drama 3 Preview הוא המודל ש-Fish Audio פרסמה ב-13 באוקטובר 2026, ועד הבוקר שלמחרת הוא כבר תפס את המקום הראשון בקרב מערכות בעלות משקולות פתוחות בטבלת המובילים של Artificial Analysis לטקסט לדיבור. מה שהופך את המיקום הזה לראוי למבט שני הוא לא הפסגה — אלא המחיר שמצורף אליו. הרשומה נושאת תעריף מחירון של 15.00 דולר למיליון תווים, בעוד שכל מודל שדורג בקרבתה עולה פי שניים עד חמישה יותר, ושני המודלים שמעליה ישירות בטבלה, ElevenLabs Eleven v4 Turbo ו-ElevenLabs Eleven v4, הם מערכות סגורות עם תמחור לפי תו שמתפתח בכיוון הלא נכון לכל מי שמפיק אודיו ארוך.

ב-Provider Voice Arena של טבלת המובילים, שבו הקולות של כל ספק מתחרים זה בזה, Fish Audio Drama 3 Preview ממוקם במקום ה-10 עם Elo של 1,243. הוא מאחורי צמד ElevenLabs עם 1,330 ו-1,328, מאחורי Cartesia Sonic 3.6 עם 1,286, מאחורי Qwen-Audio-3.1-TTS-Plus עם 1,300 ו-Qwen-Audio-3.0-TTS-Plus עם 1,268, ומאחורי Gemini 3.8 Flash TTS עם 1,274. הוא לפני המועמד השני עם משקולות פתוחות, Breeze TTS 2, שעומד על 1,221 ועולה $34.00 למיליון תווים — קצת יותר מפי שניים מהתעריף של Drama 3 Preview. מתוך 97 המודלים בלוח הזה, 17 הם עם משקולות פתוחות, והתצוגה המקדימה החדשה של Fish Audio היא המדורגת הגבוהה ביותר מביניהם.

קראו את המספר עם פסי השגיאה המצורפים לו. הטווח המדווח של הלוח עבור הרשומה נע בין 1,226.8 ל-1,258.8, כ-1,857 השוואות עיוורות, על פני 8 קולות ארנה. מול Breeze TTS 2 הפער נוח. מול Speechify Simba 3.2 ב-1,245 וב-$6.60, זה כבר לא כך — זהו פער של 2 נקודות עם טווחים חופפים, ואיש לא צריך לבסס עליו החלטת רכישה. סיכום כן הוא ש-Drama 3 Preview הכניס מודל עם משקלים פתוחים לעשירייה הראשונה של לוח שהוא לא היה אמור להימצא בו קודם לכן, והוא עשה זאת במחיר בינוני.

מהו המודל בעצם

Fish Audio מתארת את Drama 3 Preview כמודל mixture-of-experts בעל 35 מיליארד פרמטרים, שבו כ-3 מיליארד פרמטרים פעילים לכל טוקן. הוא משתמש במחסנית קשב היברידית — Gated DeltaNet בשילוב עם קשב מלא שערוני — יחד עם מפענח codebook-MTP וטוקנייזר מבוסס DAC שפועל ב-44.1 kHz. היתוך codebook חלקי מזין בחזרה אל הלולאה רק את שני ה-codebooks הראשונים. האימון עבר שלושה שלבי קדם-אימון, לאחר מכן כוונון עדין לפי הוראות, ולאחר מכן למידת חיזוק מול מודל תגמול יחיד של העדפות אנושיות, ללא עיצוב תגמול מבוסס כללים.

טענת התפוקה שמגיעה איתה היא החלק שהמתרגלים יתעניינו בו ביותר: Fish Audio מדווחת על 271 פריימים לשנייה על H200 בודד, לעומת 177 עבור דגם S2 שהוא מחליף, למרות שהוא נושא הרבה יותר פרמטרים. זהו נתון של ספק, לא בנצ'מרק מאומת, והוא ישתנה בהתאם לבאצ'ינג ולאורך הרצף — אך הכיוון עקבי עם ארכיטקטורה דלילה שעושה את מה שארכיטקטורות דלילות אמורות לעשות.

משטח ה-API לא השתנה מנקודת הקצה של S2.1 Pro. בקשות נשלחות אל POST https://api.fish.audio/v1/tts, ובקשה שמשמיטה את שדה ה-model או מציינת מודל שהשירות לא מזהה נופלת בחזרה ל-s2.1-pro במקום להחזיר שגיאה. מנגנון הנפילה לאחור הזה נוח וכדאי לדעת עליו, כי המשמעות היא ששגיאת כתיב בשם ה-model מייצרת אודיו שנשמע סביר בקול הלא נכון במקום שגיאת 400.

שליטה בוימאית, דיאלוג בהקלטה אחת, ותיקון מילה בודדת

שלוש יכולות מבדילות את הגרסה הזו מהדור הקודם, ושלושתן מיועדות לעבודת הפקה מתוסרטת ולא לשיחה חיה.

• בימוי בשפה טבעית. במקום אוצר תגים קבוע, המודל מקבל הוראות בתיאור פשוט כגון [עצבני, בקושי מחזיק מעמד] או [חם ונינוח, כמו בשיחה עם חבר ותיק], והוא יכול לשנות רגש או אופן מסירה באמצע משפט בלי ליצור טייק חדש. תגים מוטבעים מזווגים כמו <whisper>…</whisper> ורמזים כמו [sigh] חלים רק על הטקסט שהם עוטפים, כך ששורה יכולה להחליף משלב באמצע הדרך באופן מובנה ולא במקרה.

• דיאלוג רב-דוברים במעבר אחד. כל דמות שומרת על הקול שלה בתוך יצירה אחת, מה שמבטל את שלב החיבור שבדרך כלל נמצא בין מודל TTS לסצנה מוגמרת. עבור דרמת אודיו ודיאלוג במשחקים, זה ההבדל בין פייפליין לפרויקט מחקר.

• השלמת אודיו (inpainting). ניתן לבחור מחדש קטע, לתת לו הוראה חדשה, וליצור אותו מחדש באופן עצמאי, וזהו התיקון בזרימת העבודה עבור המילה הבודדת שנהגתה לא נכון, שבעבר חייבה רנדור מחדש מלא. Fish Audio מציינת את חוויית העריכה האינטראקטיבית, את כלי ה-inpainting ואת API העריכה כזמינים בהזמנה בלבד או כ״בקרוב״, כך שהיכולת קיימת אך היא עדיין אינה פתוחה לשימוש כללי.

Fish Audio טוענת גם ל-83 שפות עם עקביות לשונית לאורך תסריטים ארוכים והחלפה באמצע סצנה, שליטה בהגייה ברמת הפונמה באנגלית, סינית, יפנית, קוריאנית ובכמה שפות נוספות, וכן שיבוט קול בסגנון S2 מדגימות ייחוס באורך של כ-10 עד 30 שניות. בהדגמת ההשקה נעשה שימוש בשיבוט קול של Uncle Roger, שלדברי החברה נוצר ונעשה בו שימוש באישור.

הטענה בדבר ההגייה, ומאין היא באה

ההכרזה של Fish Audio קובעת כי Drama 3 Preview משיג ציון כולל של 93.2% בלוח הדירוג Artificial Analysis Pronunciation Robustness ומדורג שם במקום הראשון, לפני ElevenLabs Eleven v4 ו-Eleven v4 Turbo. ציוני המשנה המפורסמים הם 95.9% בשמות, מותגים ומונחים טכניים לעומת 87.3% עבור Fish Audio S2.1 Pro; 95.3% במילים תלויות הקשר לעומת 86.1%; 93.6% במספרים, תאריכים ויחידות לעומת 92.7%; ו-86.3% בקודים, נתיבים וכתובות דואר אלקטרוני לעומת 79.4%.

המספרים האלה מגיעים מההכרזה של Fish Audio עצמה. כשהלכתי לחפש את הלוח כדי לקרוא את הציונים לפי מודל ישירות, נתיבי חוסן ההיגוי החזירו 404, ומשטח לוח הדירוג שהצלחתי לטעון הציג את דירוג ה-Elo בלי שצורף אליו נתון היגוי שניתן לצטט לפי מודל. לכן כל נתון בפסקה שלמעלה הוא מדווח על ידי הספק, ויש לתייג אותו כך בכל מצגת שמשתמשת בו. מספרי ה-Elo במקומות אחרים במאמר הזה שונים: אותם קראתי מהלוח, והם נושאים את מרווחי הסמך של הלוח עצמו.

התלונה הבסיסית שאליה מתייחסת הטענה אמיתית, ולא משנה בנתונים של מי אתה בוטח. הגייתם של שמות עצם פרטיים, קודי מוצרים ונתיבי קבצים היא מצב הכשל שדוחף צוותים לחזור לכישרון קולי אנושי, והוא הדבר שרוב ספקי ה-TTS התעכבו ביותר לתקן, מפני שזו אינה בעיית פרוזודיה. מודל שמטפל ב-86.3% מהקודים, הנתיבים והאימיילים לעומת 79.4% של קודמו עדיין טועה בערך פעם אחת משבע.

מה המשמעות של "משקלים פתוחים" במסגרת רישיון זה

Fish Audio Drama 3 Preview מופץ תחת Fish Audio Community License v1.0. קראו את התנאים לפני שאתם מתכננים בהתאם להם. הרישיון חינמי למחקר ולשימוש לא מסחרי, והוא חינמי לשימוש מסחרי אם אתם והחברות המסונפות שלכם נשארים מתחת ל-US$500,000 בהכנסות שנתיות. מעל לסף הזה — או אם אתם רוצים להציע את המודל כשירות המרת טקסט לדיבור, שיבוט קולי או הסקה, ללא קשר לגודל — אתם זקוקים לרישיון מ-Fish Audio. סדרת S2 נותרת תחת רישיון מחקר נפרד. שיבוט קולו של אדם אמיתי ללא הסכמה אסור באופן מוחלט.

הסף המסחרי מאומת באופן בלתי תלוי: לוח Artificial Analysis מסמן את הרשומה כמשקולות פתוחות ללא זכויות שימוש מסחרי, מה שעולה בקנה אחד עם רישיון מותנה בהכנסות ולא עם רישיון בלתי מוגבל. אם אתה סטודיו קטן, משקולות פתוחות תחת רישיון זה הן אפשרות אמיתית. אם אתה פלטפורמה שמוכרת מחדש הסקה, זה לא משקולות פתוחות במובן שקיווית לו.

תמחור והצעת ההשקה

מחיר המחירון של ה-API הוא $50 למיליון תווים, בהנחה של 80% ל-$10 למיליון מ-13 באוקטובר עד 12 בנובמבר 2026. קרדיטים של Creator תואמים ל-S2.1 Pro, ותוכניות Plus, Pro ו-Max החדשות הן במחצית המחיר במהלך אותו חלון זמן. Artificial Analysis רושמת את מחיר הלוח כ-$15.00 למיליון תווים בהגדרות ברירת מחדל, וזה המספר שיש להשתמש בו כאשר משווים לרשומות אחרות בלוח הזה ולא מול כרטיס התעריפים של Fish Audio עצמה.

החלון המבצעי הוא החלק עם הדדליין האמיתי. במחיר של 10 דולר למיליון תווים, Drama 3 Preview מתמחר מתחת לכמעט כל מודל תחרותי בלוח הדירוג בפער ניכר. במחיר של 50 דולר, הוא יקר יותר מ-Cartesia Sonic 3.6 שמחירו 49 דולר, והרבה מעל Qwen-Audio-3.0-TTS-Plus שמחירו 19.30 דולר. כל מי שבונה מודל עלויות על בסיס המחיר המוזל צריך לבנות מודל שני על בסיס מחיר המחירון ולבדוק שהפרויקט עדיין עובד.

היכן זה משתלב בסטאק הייצור

אודיו מתוסרט שנוצר פעם אחת הוא המקום האידיאלי: ספרי שמע, דרמה קולית, דיאלוג במשחקים ובאנימציה, וידאו קצר. היצירה הרב-דוברית במעבר אחד וזרימת העבודה של האינפיינטינג שניהם קיימים כדי לשרת צורת עבודה זו, והתמחור הוא לפי תו ולא לפי דקה, מה שמיטיב עם תסריטים ארוכים. עריכה אינטראקטיבית ו-API העריכה אינם זמינים באופן כללי עדיין, לכן זרימת עבודה שתלויה בהם היא זרימת עבודה שתלויה בהזמנה.

השאלה התפעולית שאחרי זה היא ניתוב, והיא קשה יותר עבור דיבור מאשר עבור טקסט. Fish Audio Drama 3 Preview אינו אחד מהמודלים ב-OrcaRouter היום. מגיעים אליו דרך ה-API של הספק עצמו וכמה פלטפורמות צד שלישי. כך גם לגבי רוב המודלים שהושוו למעלה — עשרת המובילים בלוח הדירוג של הדיבור הם קבוצה של נקודות קצה ספציפיות לספק עם אימות ספציפי לספק, וכל אחד מהם הוא אינטגרציה משל עצמו ותחום תקלות משל עצמו. ל-OrcaRouter יש ~200 מודלים מאחורי מפתח אחד במחיר המחירון של הספק ללא תוספת מכסה עבודת טקסט, ראייה וחשיבה, וה-failover האוטומטי שלו קיים בדיוק למקרה שבו נקודת הקצה של ספק אחד מדרדרת באמצע הרצה. הדפוס המעשי לנתיב דיבור בייצור הוא להשאיר את ספק הדיבור ישיר ולהשאיר את כל מה שהוא מתזמר — הסיכום, שלב התרגום, בונה מילון ההגייה, מסווג ה-QA — מאחורי נקודת קצה מנותבת אחת כך שמעבר כשל שם לא יגרור איתו את צינור הרינדור.

שורה תחתונה

Fish Audio Drama 3 Preview הוא תוצאה אמיתית ולא תוצר של שבוע ההשקה: מקום 10 ב-Provider Voice Arena באלואו של 1,243, ראשון מבין 17 הרשומות במשקלים פתוחים בלוח, ב-15.00 דולר למיליון תווים לעומת 34 דולר עבור המודל הבא בתור במשקלים פתוחים. הפערים לראש הלוח עדיין גדולים ורווחי הסמך חופפים לשכנים הקרובים ביותר שלו, כך שכתר המשקלים הפתוחים הוא נקודת פתיחה, לא יתרון. נתון ההגייה של 93.2% הוא של הספק עצמו ולא ניתן היה לקרוא אותו באופן בלתי תלוי מהלוח. לרישיון יש תקרת הכנסות של 500,000 דולר לשימוש מסחרי, מה שיפסול אותו עבור חלק מהצוותים לחלוטין. והתעריף של 10 דולר פג ב-12 בנובמבר 2026.

עבור אולפן שעושה אודיו מתוסרט בכמויות, השילוב של יצירה רב-דוברית במעבר אחד, השלמת מילה בודדת ורישיון עם משקולות פתוחות תחת סף ההכנסות הוא הטיעון החזק ביותר כאן — חזק יותר ממיקום בטבלת המובילים שיזכה לכותרות.

בחירות מודל כמו זו הן גם המקום שבו מתגלים מצבי הכשל: תקריות ה-AI המתועדות וכשלי הסוכנים מאחורי מודלים בקטגוריה הזו נאספים בthe OrcaRouter AI Incident Archive, שבו כל ערך נושא מקורות משלו, חומרה, דרגת ביטחון וסימון מחלוקת.