Fish Audio Drama 3 לעומת Gemini 3.8 Flash TTS: גוגל היא עכשיו הזולה, וזה הופך את הטיעון הרגיל

תמחר את שני אלה לפי דקת אודיו מוגמר, וההשוואה מפסיקה להידמות לזו שהשוק עשה כל השנה. Google Gemini 3.8 Flash TTS גובה 9.00 דולר למיליון טוקני אודיו, והאודיו נוצר בקצב של 25 טוקנים לשנייה — קצת יותר משתי מאיות הסנט לשנייה, שהם כ-0.81 דולר לשעת דיבור. Fish Audio Drama 3 רשום במחיר 50.00 דולר למיליון בתים בקידוד UTF-8, שהתיעוד של היצרן עצמו משווה לכ-שתים עשרה שעות דיבור: כ-4.17 דולר לשעה לפי מחיר המחירון, ו-0.83 דולר לשעה במהלך מבצע ההשקה שמסתיים ב-2026-11-12. כך שמודל הדיבור המוביל של גוגל זול פי חמישה מהמתחרה עם המשקולות הפתוחות ברגע שההנחה תפוג, ובערך באותו מחיר כל עוד היא בתוקף. המסגור הרגיל — מודל פתוח זריז שחותך מחירים מתחת לענקית מחשוב — הוא בדיוק הפוך כאן, וההבנה מדוע היא כל ההחלטה.

החישוב, בפירוט מספיק כדי לבדוק

היחידה של גוגל היא טוקנים, לא תווים, וזו הסיבה שמספרי הכותרת נראו לא מרשימים לצד הספקים שמתמחרים לפי טקסט לתו. Gemini 3.8 Flash TTS מפיק אודיו בקצב של 25 טוקנים לשנייה של דיבור במחיר של $9.00 למיליון טוקנים עד סוף 2026, והמודל שהוא מחליף — Gemini 3.1 Flash TTS Preview — תומחר ב-$20.00 עבור אותו מיליון טוקני פלט. Gemini 3.8 Flash-Lite TTS, שהושק לצדו ב-2026-09-23, כולל רשימת שפות קצרה יותר ותעריף נמוך יותר שוב, ו-Artificial Analysis רושמת אותו ב-$11.00 למיליון תווים לצורך השוואה.

היחידה של Fish Audio היא בתים, לא תווים, והתיעוד שלה מציין את ההמרה בפשטות: מיליון בתים של UTF-8 הם בקירוב 180,000 מילים באנגלית, או כשעתיים-עשר שעות דיבור. במחיר של $50.00 למיליון בתים זה $4.17 לשעה לפני כל תקורה. במחיר המבצע של $10.00 זה $0.83. סוגריים של הוראות מחויבים כטקסט קלט, כך שתסריט עתיר הוראות בימוי עולה ב-10-25% ממה שמספר המילים שלו מרמז — ובהתמודדות הזו כל סוגריים מחויבים, כי כל העיצוב של Drama 3 הוא שכותבים את הביצוע לתוך התסריט.

• מחיר מחירון, לכל שעת דיבור — Gemini 3.8 Flash TTS כ-$0.81; Drama 3 כ-$4.17.

• מחיר מבצע, לשעה — Gemini 3.8 Flash TTS כ-$0.81; Drama 3 כ-$0.83. למעשה, תיקו.

• יחידה — טוקנים לשנייה של פלט בצד של Google; בייטים של UTF-8 של קלט בצד של Fish Audio. שתיהן יחידות כנות. הן אינן אותה יחידה, וכל השוואת "למיליון X" שמערבבת ביניהן בלי להמיר היא רעש.

• השורה הנסתרת — בקשת Drama 3 שכותרת המודל שלה חסרה או מאויתת שגיאות אינה נכשלת, אלא נופלת חזרה ל-s2.1-pro ומחויבת ב-$15.00 לכל מיליון בייטים, וזו תוספת של 50% על מחיר המבצע בגלל שגיאת כתיב.

מה בעצם קונה המחיר של גוגל

להיות זול יותר לשעה הוא דבר מעניין רק אם הפלט שמיש, והמספרים הבלתי־תלויים אומרים שכן — עם צורה ספציפית. Artificial Analysis מציבה את Google Gemini 3.8 Flash TTS במקום החמישי ב-Provider Voice Arena עם Elo של 1,283 ומחיר מתועד בלוח של $16.50 — מעל 1,278 של Fish Audio Drama 3 — ובמקום העשרים וארבעה ב-Controlled Voice Arena עם 1,053, מתחת ל-1,085 של Drama 3. הפיצול הזה הוא הדגם בשורה אחת: הוא נשמע מצוין כשהקולות של Google עצמה בשימוש, והוא צונח לאמצע הלוח כשכל דגם נשפט לפי אותם קולות ייחוס.

לוח ההגייה מספר סיפור צר דומה. Gemini 3.8 Flash TTS מוביל מבין כל 31 הדגמים המדורגים בקטגוריית ההתאמה להקשר עם 98.0%, ו-Drama 3 נמצא ב-95.3%. זו אינה נקודת החולשה של הדגם. נקודת החולשה של Google בהשוואה הזו היא שליטה: Gemini מגיע עם 30 קולות סטודיו מובנים — Kore ו-Puck ביניהם — עם מערך מלא של 130 שפות וזיהוי שפה אוטומטי, וספריית קולות שהתיעוד מתאר כ"מאות" בספריית הקולות המורחבת, בעוד שדף השיווק אומר יותר מ-2,000. הנתונים האלה מעולם לא יושבו מבחוץ, ואם קול ספציפי הוא קריטי למוצר שלך, בדיקת אותו קול היא התשובה היחידה שמישהו יכול לתת לך בכנות.

שלושים קולות שמישים ללא שיבוט הם בסדר עבור בוט תמיכה, קריין מוצר או אפליקציית לימוד שפה. הם אינם בסדר עבור צינור הפקת דרמה, משחק עם שנים-עשר דמויות שצריכות ליהוק, או כל עבודת לקוח שבה הקול הוא התוצר. זהו הפער ש-Fish Audio ממלא, וזהו פער מהותי ולא כמותי.

מה המשקולות הפתוחות נותנות לך, ומה העלות שלך להריץ אותן

Fish Audio Drama 3 הוא מודל mixture-of-experts בעל 35 מיליארד פרמטרים, עם כ-3 מיליארד פרמטרים פעילים לכל טוקן, מאותחל מ-Qwen3.5-35B-A3B, 8 מתוך 256 מומחים מנותבים ועוד מומחה משותף אחד, ארבעים שכבות בבלוקים של שלוש שכבות Gated DeltaNet ושכבת gated full-attention אחת. המשקולות מפורסמות ב-Hugging Face כ-fishaudio/drama-3 — כ-40 GB בפריסת שרדים ועוד קובץ codec נפרד — והסקת FP8 דורשת בסביבות 48 GB של VRAM ללא מסלול CPU או ROCm מתועד. ההגשה מתבצעת דרך SGLang-Omni, והספק מדווח על 271 פריימים לשנייה על H200 יחיד לעומת 177 עבור S2.

קו החומרה הזה הוא העסקה האמיתית. המחיר של גוגל של 0.81 דולר לשעה אינו כולל הוצאות הון ואינו כולל תפעול; העלות הקבועה היחידה שלך היא הבקשה. תעריף המבצע של Drama 3 של 0.83 דולר לשעה הוא תעריף API, והרצה בעצמך הופכת אותו ל-GPU של 48 GB, למערך הגשה ולאדם שאחראי עליו. עבור קטלוג של ארבעים שעות אודיו בחודש, ה-API כמובן זול יותר. עבור כמה אלפי שעות, או עבור כל דבר שחייב לרוץ בלי שצד שלישי יהיה בתמונה, המשקלים משנים את הטיעון לחלוטין — והם הדבר היחיד שגוגל אינה מוכרת בשום מחיר.

הרישיון חשוב גם כאן, משום שהוא מה שמפריד בין "משקלים פתוחים" לבין "חופשי". Drama 3 מפורסם תחת רישיון Fish Audio Community License v1.0: חופשי למחקר ולשימוש לא-מסחרי, חופשי מסחרית מתחת ל-500,000 דולר ארה"ב בהכנסה שנתית עבורך ועבור חברות מסונפות, כאשר נדרש רישיון נפרד מעל לסף זה או כדי להציע את Drama 3 עצמו כשירות דיבור או שיבוט מתארח. Artificial Analysis מסמן אותו כמשקלים פתוחים ללא זכויות שימוש מסחרי מלאות. התנאים של Google הם תנאי ה-API הרגילים, שהם סט אחר של שאלות — טיפול בנתונים ולא הפצה מחדש.

שפות, ומספר שעושה פחות ממה שהוא נראה

גוגל טוענת ל-130 שפות עם זיהוי אוטומטי מתוך הטקסט. Fish Audio טוענת ל-83, עם יכולת מוזרה הרבה יותר: הוראות בימוי יכולות להיכתב בכל שפה ואינן חייבות להתאים לשפת התסריט, וקיים תג מתועד להחלפת שפה שהופך ביטוי בודד לשפה אחרת בתוך השורה — מסומן כניסיוני. אלה מוצרים שונים. המספר של גוגל עוסק בכמה שווקים אפשר להיכנס אליהם באינטגרציה אחת. זה של Fish Audio עוסק בכמה מדויק ניתן להפיק שורה אחת, בידי במאי שאולי אינו חולק את שפת התסריט.

עבור צוות שמשיק מוצר מותאם מקומית, 130 עדיף על 83, והזיהוי האוטומטי הוא חיסכון תפעולי אמיתי — בלי ניתוב לפי שפה, בלי בחירת קול לפי שפה. עבור צוות שמייצר תוכן בשפה אחת או שתיים לקהל שמבחין בפרטים, 83 אינו מגבלה, ויכולת הכיוון בכל שפה היא החשובה יותר מבין שתי התכונות. אין לקרוא אף אחד מהמספרים כמיקום בטבלת דירוג; מספר השפות שמודל מצהיר עליהן מעולם לא היה מתואם היטב למידת הטוב שלו בשפה שאתם צריכים.

היכן כל אחד מהם ממוקם במחסנית מנותבת

זהו אחד המאמרים הבודדים בסדרה הזו שבהם הצד של הספק אינו לגמרי כן כדי לטשטש: OrcaRouter מנתב את מודלי הדיבור המוקדמים יותר של Gemini של גוגל — google/gemini-3.1-flash-tts-preview ו-google/gemini-2.5-flash-preview-tts נמצאים שניהם בקטלוג היום — אבל לא Google Gemini 3.8 Flash TTS, ולא Fish Audio Drama 3. מודלי ה-TTS הישנים יותר של Gemini זמינים דרכנו במחיר המחירון של גוגל ללא תוספת; שני המודלים שהמאמר הזה עוסק בהם למעשה נגישים דרך ממשקי ה-API של הספקים שלהם עצמם, ובמקרה של Fish Audio — דרך פלטפורמות צד שלישי.

התוצאה השימושית היא שהחלק הגדול יותר מחשבון הדיבור של Google יכול כבר לשבת מאחורי מפתח אחד, ושכבת ה-failover היא מה שהופך את ההשוואה לזולה להרצה: הציבו canary של Drama 3 לצד קריאה ל-Gemini 3.8 Flash TTS, נתבו את נתיב הייצור לזה שישרוד את מבחן הקבלה שלכם, והבחירה לכל מקטע נמצאת ב-DSL הניתוב ולא בשני SDKs. מיזוג מודלים הוא האפשרות האחרת שזה מעלה — פאנל שמרנדר את אותה שורה דרך שניהם ובוחר לפי כלל שתגדירו, מה שעבור קריינות אומר שתוכלו לשמור על ההגייה של Drama 3 בשורות עם קודים ועל הקריאה הקונטקסטואלית של Google בפרוזה.

ההחלטה, בפשטות: עבור אנגלית בנפח גבוה, ללא שיבוט וללא נכונות להשקיע בתשתיות, Gemini 3.8 Flash TTS במחיר 0.81 דולר לשעה הוא המודל הזול יותר ובעל הצליל הטוב יותר בקולות של הספק, והטיעון בעד Drama 3 אינו שורד מפגש עם המחירון. עבור כל דבר שדורש קולות מותאמים אישית או קולות קאסט, הנחיה פר-מילה, שליטה בפונמות, או יכולת לפעול ללא צד שלישי, Drama 3 הוא היחיד מבין השניים שמסוגל בכלל לבצע את העבודה — במחיר מחירון הוא עולה פי חמישה מהמחיר השעתי של Google, ובמהלך המבצע הוא עולה אותו דבר, מה שהופך את השבועיים הקרובים לחלון הזול ביותר שיהיה למישהו כדי לגלות אם יתרון ההגייה שווה לבנות סביבו.