Fish Audio Drama 3 לעומת Inworld Realtime TTS-2: האחד קורא תסריט, האחר עוקב אחר שיחה

המילה "Realtime" בתוך Inworld Realtime TTS-2 היא טענה לגבי השהיה, לא תיאור של מה שהמודל עושה. המוצר לדיבור-אל-דיבור של Inworld לשיחות חיות הוא סעיף נפרד בעמוד התמחור שלו; Realtime TTS-2 הוא מודל טקסט-לדיבור מהיר מספיק לשימוש אינטראקטיבי. ההבחנה הזו חשובה ברגע שמעמידים אותו מול Fish Audio Drama 3, שנבנה למשימה ההפוכה — מודל בעל 35 מיליארד פרמטרים שכל התכנון שלו הוא שכותבים הוראות במה לתוך התסריט לפני שנאמרת אפילו שורה אחת. הציבו אותם זה לצד זה באתר Artificial Analysis, והחלוקה ביניהם נקייה באופן יוצא דופן: Drama 3 מוביל את Provider Voice Arena ב-11 נקודות, ו-Inworld מוביל את Controlled Voice Arena ב-61. כיוון הפער הזה אומר יותר על הייעוד של כל אחד מהם מאשר כל אחד מהמספרים לבדו.

שני מוצרים שמעולם לא כיוונו לאותו דבר

Inworld Realtime TTS-2 החל כתצוגת מחקר ב-2026-05-05 והגיע לזמינות כללית ב-2026-09-02. המסר בעת הזמינות הכללית לא היה נאמנות: הוא היה שהמודל מקבל את תורות השיחה הקודמות, כקול, ומנתח בהיסק את הטון והקצב לפני שהוא מחליט איך השורה הבאה אמורה להישמע. זהו מאפיין של סוכן שיחתי. בוט תמיכה שזה עתה שמע לקוח מתוסכל אינו זקוק להוראת במה — הוא צריך להסיק אותה ממה שנאמר זה עתה.

Fish Audio Drama 3, שפורסם ב-2026-10-13, הולך בכיוון ההפוך. כל יכולת שהוא מפרסם עוסקת במחברות מפורשת: הוראות בסוגריים לפני הביטוי שעליו הן חלות, אירועי צליל והשהיה הממוקמים באמצע השורה, תגים מזווגים שמשנים רק את המילים העטופות (לחישה, הדגשה, רך, מהיר, איטי, הטעמה, כוחני), קיבוע פונמות להגייה, תג החלפת שפה עבור ביטוי בודד, הוראות הכתובות בשפה שונה מזו של התסריט, ודיאלוג עם מספר דוברים בבקשה אחת באמצעות מערך reference_id עם תגי דובר לכל תור. שום דבר ברשימה הזו אינו ניתן להסקה מההקשר. כל זה הוא משהו שכותב מקליד.

אז המסגור הכנה אינו „מה עדיף” אלא „איזה כשל אתה לא יכול לסבול”. צינור דרמה שצריך לרנדר סצנה בת 12 דמויות עם המשכיות רגשית לא יגיע לשם על מודל שנועד להסיק טון מהיסטוריית צ'אט. סוכן קולי שצריך לענות בפחות משנייה לא יגיע לשם על מודל שדורש הוראת במה ו-48 GB של VRAM. אזור החפיפה שבו שניהם באמת ישימים הוא צר: קריינות מתוסרטת באיכות גבוהה המועברת דרך API לתוכן אינטראקטיבי — תצוגות מקדימות של ספרי שמע, קריאות קצרות של NPC שהופקו מראש, VO שיווקי שצריך להיווצר מחדש לפי לוח זמנים.

הלוחות, בקריאה בסדר הנכון

שתי הדמויות שלהלן נלקחו מ-Artificial Analysis בתאריך 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 במקום ה-6 עם 1,278 ומחיר של 15.00 דולר למיליון תווים שנרשם בלוח; Inworld Realtime TTS-2 במקום ה-8 עם 1,267 ו-20.80 דולר. Inworld Realtime TTS-2 Flash נמצא במקום ה-19 בלוח המבוקר עם 1,065.

• זירת קול מבוקרת — Fish Audio Drama 3 במקום ה-12 עם 1,085; Inworld Realtime TTS-2 במקום ה-7 עם 1,146. כאן Inworld מובילה ב-61 נקודות.

• האסימטריה — יתרון הספק של Drama 3, בן 11 נקודות, מצטמצם ומתהפך ברגע שההשוואה נערכת על קולות ייחוס זהים ולא על הקטלוג של כל ספק. היתרון שלה הוא במידה רבה יתרון בקרב הקולות ש-Fish Audio מספקת; אצל Inworld אין זה כך.

• חוסר הסימטריה האחר — שני המודלים של Inworld פרוסים על פני הלוח, הדגם המוביל ב-1,146 ו-Flash ב-1,065, פער של 81 נקודות בין הדרגים באותה משפחה. ל-Drama 3 אין דרג מתחתיו; או שאתה מקבל את מודל ה-35B או שאתה משתמש במשהו אחר.

זוהי התבנית ההפוכה לזו של אותם שני לוחות תחת Google Gemini 3.8 Flash TTS, שבהם המודל הסגור ניצח בקולות של ספקים והפסיד בלוח המבוקר. אף אחת מהתבניות אינה רעש; שתיהן תזכורות לכך שמספר ארנה בודד מתאר את החבילה של המודל יחד עם ספריית הקולות, ורק הלוח המבוקר מבודד את המודל.

מודעות להקשר לעומת כיוון, באופן קונקרטי

הכרזת ה-GA של Inworld Realtime TTS-2 מתארת מודל שקורא את היסטוריית השיחה — תורות קודמות כאודיו — ומשתמש בה כדי לעצב קצב וטון. זו טענה של ספק, ולא יכולת שנמדדה באופן בלתי תלוי, והזירות של Artificial Analysis אינן בודקות אותה; הן בודקות שורות בודדות מול קולות ייחוס. לפיכך, התכונה שאינוורלד (Inworld) למעשה מוכרת היא זו שאף מבחן ציבורי אינו מודד כיום. התייחסו לטענה כאל מבטיחה ולא-נבדקה, ובדקו אותה מול הדיאלוג שלכם ולא מול לוח דירוג.

יכולות הבימוי של Drama 3 ניתנות למדידה במובן הצר, בכך שאפשר לראות את הפלט משתנה כשמשנים סוגר, ו-Fish Audio מתעדת כל אחת מהן עם אודיו לדוגמה. התכונה שאין לה מתחרה בהשוואה הזו היא הבימוי שאינו תלוי בשפה: בימוי שנכתב בסינית לפני שורה באנגלית, מתועד ומוצג. עבור צוות פוסט-פרודקשן בינלאומי, זהו פתח תפעולי ולא מותרות, וזה מסוג הדברים שמופיעים בפיילוט בתוך שעה.

המבחן המעשי עבור צוות שבוחר בין השניים הוא עמוד אחד של הדיאלוג שלכם. הריצו אותו כשהקשר השיחה של Inworld מוגדר כפי שהוא יהיה בפרודקשן, והריצו אותו עם Drama 3 והוראות מפורשות. האפשרות שמייצרת פחות שורות שתצטרכו לתקן ידנית היא התשובה, והיא תהיה שונה עבור סוכן צ'אט מאשר עבור תסכית רדיו.

שיבוט, השהיה והמספרים שאפשר לתכנן לפיהם

שיבוט הקול המיידי של Inworld מקבל 5 עד 15 שניות של אודיו ייחוס, והבטא של השיבוט המקצועי שלו לוקח כ-10 דקות של אודיו כדי לקבל שיבוט באיכות נאמנה יותר. אלה נתונים של הספק, והם ספציפיים מספיק כדי לבחון אותם. השיבוט של Fish Audio יושב באותה מערכת קרדיטים כמו היצירה, ו-Drama 3 משתמש באותם קרדיטים כמו S2.1 Pro בתוכניות מנוי — אך הרישיון הוא החלק השונה, שכן רישיון הקהילה של Fish Audio אוסר במפורש על שיבוט קולו של אדם אמיתי ללא הסכמה, בעוד שהתנאים של Inworld הם תנאי ה-API הרגילים.

השהיה היא התחום שבו Inworld הוא בבירור הכלי הנכון, וההשוואה לא צריכה להעמיד פנים אחרת. Realtime TTS-2 ורמת ה-Flash שלו נבנו עבור מוצרים אינטראקטיביים, כאשר רמת ה-Flash מתומחרת 40% מתחת למוצר הדגל בדיוק עבור עומסי העבודה שזקוקים לכך. נתון המהירות שפרסמה Fish Audio עבור Drama 3 הוא 271 פריימים לשנייה על גבי H200 יחיד, לעומת 177 עבור S2 — נתון תפוקה לרינדור באצוות, לא זמן עד בייט ראשון עבור זרם חי. אם הדרישה שלכם היא "הקול חייב להתחיל בתוך תור שיחתי", אתם נמצאים במוצר של Inworld, וכל יתרון של 11 נקודות שיש ל-Drama 3 על פני הספקים לא ישנה זאת.

מחיר, לפי התעריף שתשלמו בפועל

Inworld Realtime TTS-2 עולה $25.00 למיליון תווים לפי דרישה, ויורד ל-$20.00 בתוכנית Creator במחיר $25, ל-$17.50 ב-Builder, ל-$15.00 ב-Developer ול-$12.50 ב-Growth, כאשר Flash עולה $15.00 לפי דרישה ויורד ל-$7.00 ב-Growth. Fish Audio Drama 3 עולה $50.00 למיליון בתים UTF-8 במחיר מחירון ו-$10.00 במהלך מבצע ההשקה עד 2026-11-12 09:00 PT. בתסריט אנגלי של 100,000 תווים זה $2.50 בתעריף לפי דרישה של Inworld לעומת $5.00 עבור Drama 3 במחיר מחירון, או $1.00 במהלך המבצע.

שלוש הסתייגויות צריכות להיכלל באריתמטיקה הזו ולא להופיע מתחתיה. Drama 3 מחייב לפי בייט UTF-8, ולכן תסריט ב-CJK עולה פי כמה מתסריט באנגלית באותו מספר תווים, בעוד שתעריף התווים של Inworld אינו משתנה. סוגריים של הוראות בימוי ב-Drama 3 מחויבים כטקסט קלט, וזה תוספת של 10-25% בתסריט עתיר הוראות בימוי — בדיוק התסריטים שבהם אתה צריך את המודל. ומסלול הגיבוי של Fish Audio שקט: בקשה שכותרת המודל בה חסרה או שאינה תואמת בדיוק מוגשת ומחויבת כ-s2.1-pro במחיר $15.00 למיליון בייטים, במקום שתידחה.

ההשוואה שעומדת בכל שלוש ההסתייגויות קצרה ממה שטבלאות המחירים מרמזות. במחיר מחירון, Inworld הוא כמחצית מ-Drama 3 לכל תו באנגלית וטוב ממנו בקולות מבוקרים. במהלך המבצע, Drama 3 הוא שליש מהמחיר של Inworld. כל מי שמחליט לפי מחיר בלבד מחליט על תאריך, לא על מוצר.

אף אחד מהם לא נמצא בקטלוג שלנו, ומה זה משנה

Fish Audio Drama 3 ו-Inworld Realtime TTS-2 נגישים שניהם דרך ממשקי ה-API של הספקים שלהם ופלטפורמות צד שלישי; אף אחד מהם אינו אחד מהמודלים ב-OrcaRouter, וטיעון הניתוב כאן עוסק בשאר הסטאק ולא בשניים הללו. מוצר קולי ממעט לפנות למודל דיבור אחד בלבד ולא לשום דבר אחר — הוא פונה ל-LLM עבור השורה, למודל דיבור עבור האודיו, לעיתים למודל דיבור שני עבור קטע אחר, ויש לו דדליין. איחוד החצי שאינו דיבור מאחורי מפתח אחד במחיר רשימה של הספק וללא תוספת, עם מעבר אוטומטי לגיבוי כך שתקלה קטנה אחת במעלה הזרם לא תעכב את הרינדור, הוא מה שמשאיר את בחירת הדיבור כהחלטת תצורה ולא כהחלטת ארכיטקטורה.

המקום שבו ה-DSL של ה-routing מצדיק את קיומו בהתמודדות הספציפית הזו הוא ה-pipeline המעורב: שורות דרמטיות שנרנדרו מראש דרך Drama 3 ותורות שיחה חיות דרך Inworld, המוגדרות כשתי נתיבים על מפתח אחד, כשהבחירה נעשית לכל מקטע בנפרד. היתוך מודלים מכסה את המקרה שבו אתה לא מצליח להחליט — רנדר את אותה שורה דרך שניהם, דרג אותה מול רפרנס, ושמור את המנצח. אף אחד מאלה אינו דרך לעקוף את המחיר של מי מהספקים. הם דרך לעקוף את הצורך לתחזק שתי אינטגרציות רק כדי לחסוך שורה בקובץ קונפיגורציה.

לקורא שצריך להחליט על אחד: Inworld Realtime TTS-2 אם הדיבור חייב להגיב לשיחה, אם השהיה היא המגבלה, אם אתה רוצה שכבת Flash שתספוג עומס, ואם API סגור מקובל עליך. Fish Audio Drama 3 אם הדיבור נכתב מראש ולא נועד לתגובה, אם הגיית שמות וקודים חייבת להיות מהימנה, אם הבימוי חייב להיות כתוב, אם אתה רוצה את המשקלים, או אם הבריף ייכתב בשפה שאינה שפת התסריט. יתרון הספק של 11 נקודות הוא המספר הכי פחות חשוב ברשימה; הפער המבוקר של 61 נקודות הוא זה שכדאי לבדוק מול קולות הייחוס שלך לפני שאתה מתחייב.