Fish Audio Drama 3 לעומת Ming 3.0 TTS: היתרון של 91 נקודות שנעלם תחת קול משובט

Fish Audio Drama 3 מוביל על פני Ming 3.0 TTS ב-91 נקודות Elo בלוח הדירוג שבו כל מודל מדבר בקאסט קולות משלו, וב-17 בלוח הדירוג שבו נותנים לשניהם אותן שמונה דוגמאות ייחוס משוכפלות — פער צר מספיק כדי שמרווחי הסמך שלהם יחפפו. שניהם מהדורות עם משקלים פתוחים מששת השבועות האחרונים, שניהם מדורגים על ידי Artificial Analysis, ובמבחן היחיד שמבקש מאדם לקבוע אם מילה קשה באמת יצאה מהפה כראוי, הם עומדים על 93.2%. שלושה מספרים, ושניים מהם מצביעים לכיוונים שונים. המספר שבו תאמין קובע איזה מודל תקנה, והתשובה תלויה בשאלה אם המוצר שלך נשמע כמו עצמו או כמו מישהו אחר.

שני שחרורים, בהפרש של שישה שבועות, שנבנו בהיקפים מנוגדים

דרמה 3 הוכרזה ב-13 באוקטובר 2026 והיא פעילה ב-API של Fish Audio בשם drama-3, עם משקולות ב-Hugging Face תחת רישיון קהילתי חדש. Ming 3.0 TTS הגיע בשקט רב יותר ובחלקים: מאגרי InclusionAI ב-Hugging Face הופיעו ב-22 בספטמבר, משקולות ה-0.5B ב-24 בספטמבר, וקוד האינפרנס רק ב-19 באוקטובר — ולכן Artificial Analysis לא יכלה לדרג אותו עד 20 באוקטובר. Ant Group מעולם לא פרסמה פוסט השקה עבורו, ואין לו נקודת קצה מאוחסנת או מחיר מחירון.

גיליונות המפרט אינם קרובים זה לזה, וזה הדבר הראשון שצריך להבין לפני שלטבלאות המובילים תהיה משמעות כלשהי.

• פרמטרים — תערובת מומחים של 35B עם כ־3B פעילים לכל טוקן, מאותחלת מ-Qwen3.5-35B-A3B ומנתבת 8 מתוך 256 מומחים ועוד מומחה משותף, לעומת מודל צפוף של 0.5B על שלד Qwen2.5-0.5B. Ant גם מציעה MoE בשם Ming-3.0-tts-tiny עם 7.9B בסך הכול / 1.3B פעילים, שאין לו ציון עצמאי כלל.

• כיסוי שפות — 83 שפות מוצהרות עבור Drama 3, לעומת שבע עבור נקודת השמירה Ming 0.5B (סינית, אנגלית, גרמנית, ספרדית, צרפתית, קוריאנית, יפנית) ובנוסף סצ'ואנית וקנטונזית כאשר מספקים קטע ייחוס בניב.

• פלט — 44.1 קילו־הרץ משניהם, שנוצרים באמצעות מנגנונים שונים מאוד: Drama 3 שומר על ה-tokenizer של Descript Audio Codec מהדור הקודם עם עשרה ספרי קוד וכ־21.5 פריימים לשנייה, בעוד Ming מפענח ייצוג חבוי רציף דרך AudioVAE.

• משקולות ורישיון — Drama 3 תחת Fish Audio Community License v1.0, בחינם מתחת ל־500,000 דולר ארה״ב בהכנסה שנתית, וניתן למשא ומתן מעל לכך או אם אתה מוכר מחדש סינתזה כשירות. Ming 3.0 TTS תחת MIT, ללא סף הכנסות כלל.

• מחיר — ‏50 דולר למיליון בתים בקידוד UTF-8 לפי מחיר המחירון, בהנחה ל-10 דולר עד 12 בנובמבר 2026, לעומת היעדר מחיר משום שאין מה לקנות: מורידים את ה-checkpoint בגודל 2.96 GB ומריצים אותו.

ההבדל בקנה המידה פועל לשני הכיוונים. עמוד השדרה של Drama 3 בגודל 35B הוא מה שמאפשר לו לשמור על כיוון לאורך תסריט ארוך ולשבץ כמה דוברים בסצנה אחת, כאשר מזהה קול אחד לכל דובר מועבר כמערך; זו גם הסיבה שאיש לא מתכוון להריץ אותו על מחשב נייד. המודל 0.5B של Ming הוא מודל שאפשר להעלות לשירות על כרטיס GPU צנוע אחד ולבצע עליו כוונון עדין בכרטיס שכור.

מדוע Artificial Analysis נותנת שתי תשובות שונות

הלוח שכולם מצטטים ראשון הוא Provider Voice Arena, ושם Drama 3 פתחה יתרון אמיתי. נכון ל-29 באוקטובר היא נמצאת במקום השישי מתוך 100 מודלים עם Elo של 1,278, כשהמחיר שלה לפי Artificial Analysis הוא 15 דולר למיליון תווים בהגדרות ברירת המחדל שלה. Ming 3.0 TTS נמצאת במקום העשרים וארבעה עם 1,187, ללא מחיר רשום משום שאין נקודת קצה מסחרית לתעד. פער של 91 נקודות בלוח שריווחי הסמך שלו נעים סביב ±13 עד ±18 אינו רעש; הקולות המקוריים של Drama 3 מועדפים, ובבירור. פרט אחד מאותו טבלה מסביר חלק מהסיבה: Artificial Analysis דירגה את Ming מול שלושה קולות ארנה ואת Drama 3 מול שמונה.

הלוח השני שואל שאלה אחרת, והיתרון מתאדה. ה-Controlled Voice Arena מעניקה לכל מערכת את אותן שמונה קולות משובטים — ארבעה אמריקאיים, ארבעה בריטיים — כך שההשוואה מפסיקה לעסוק בשאלה מי שחקני הקול שלו טובים יותר, ומתחילה לעסוק בשאלה עד כמה כל מודל עוטה היטב קול של מישהו אחר. שם Drama 3 קיבל 1,085, מקום שנים־עשר מתוך 49, עם מרווח של 1,069 עד 1,101. Ming קיבל 1,068, מקום שבעה־עשר, עם מרווח של 1,053 עד 1,083. המרווחים חולקים את הטווח 1,069 עד 1,083. זהו תיקו, וכל אמירה אחרת תהיה לייחס דיוק לסקר שאין בו דיוק.

שימו לב גם ש-Artificial Analysis עדיין מציגה בלוח הזה שורה נפרדת של Drama 3 Preview עם 1,063, בדירוג העשרים. צ'קפוינט הייצור והתצוגה המקדימה שיצאה בספטמבר מדורגים כשתי מערכות שונות, ולכן השוואה שמציינת "Drama 3" בלי לומר לאיזו שורה היא מתכוונת אינה השוואה. המספרים שלנו כאן הם של שורת הייצור.

הקריאה המעשית: אם המוצר שלכם מביא עמו סגל קולי משלו — קריין, נציג תמיכה, דמות במשחק — היתרון של Drama 3 אמיתי וגדול. אם המוצר שלכם משכפל את הקול של לקוח או של יוצר ומדבר בו, שני המודלים שקולים למעשה, וההחלטה נופלת על מחיר, רישיון וכיסוי שפות במקום זאת.

תיקו ההגייה של 93.2% הוא ארבע תוצאות שונות

שני המודלים מדורגים ב-93.2% במבחן החוסן להגייה באנגלית של Artificial Analysis — התוצאה שפרסמה המועצה ב-20 באוקטובר, שהציבה אותם יחד במקום הראשון מבין 31 מערכות ולפני Eleven v4 עם 91.7%. הכותרת הזו חזרה על עצמה בכל מקום, והיא מסתירה את החלק היחיד שמשנה מבחינה תפעולית: שני המודלים נכשלים בסוגים מנוגדים של טקסט.

• רצפים מדויקים — Ming משמר אותם ב-90.6%, הראשון מבין 31; הנתון המקביל של Drama 3 הוא 86.3%. מספרי הזמנה, כתובות URL, נתיבי קבצים וקודי סדרה נשמרים טוב יותר אצל Ming.

• הרחבת קיצורים — Ming 96.5%, וגם הראשון מבין 31, לעומת 93.6% אצל Drama 3. תאריכים, יחידות וקיצורים נאמרים בקול במקום שיאויתו במלואם.

• מונחים בודדים — Drama 3 עם 95.9% לעומת Ming עם 88.5%, כאשר Ming מדורג במקום ה-21 מתוך 31. שמות מותגים, שמות מקומות ואוצר מילים טכני הם הקטגוריה החזקה ביותר של Drama 3.

• מונחים מתאימים להקשר — Drama 3 ב-95.3%, Ming ב-91.0% ובמקום ה-13 מתוך 31.

החולשה של Ming בשמות בודדים הולכת יד ביד עם מלאי הקולות שלה: גרסת ה-0.5B מגיעה עם יותר ממאה קולות סיניים מובנים וחמישה קולות אנגליים, ולכן לטיפול שלה בשמות פרטיים באנגלית יש פחות על מה להישען. החולשה של Drama 3 היא תמונת הראי — מודל שאומן לספק הופעה לפעמים יספק מספר קוד בתור הופעה.

אף אחד משני נתוני ה-93.2% אינו מדווח על ידי הספק. שניהם מגיעים מאותו הרנס עצמאי, וזו הסיבה שבכלל ניתן להשוות ביניהם — ויש לציין שזה נדיר בתחום הזה, שבו רוב טבלאות שגיאות המילים המפורסמות מופקות על ידי המעבדות על הפרומפטים שלהן עצמן.

מה באמת עולה מיליון תווים

Drama 3 מחייבת לפי גודל קלט: 50 דולר ארה"ב למיליון בייטים של UTF-8, מופחת ל-10 דולר ארה"ב עד 12 בנובמבר 2026 בשעה 09:00 לפי שעון האוקיינוס השקט. הזינוק פי חמישה ב-13 בנובמבר הוא המספר הבודד הגדול ביותר בהשוואה הזו, והוא משנה את הדירוג של שני המודלים לפי עלות לשעת תוצר מוגמר בהתאם למועד שבו קוראים אותו.

יש גם מלכודת חיוב שכדאי להכיר לפני שמחברים משהו. Drama 3 שומר על אותו endpoint ‏POST /v1/tts כמו S2.1 Pro, ואם כותרת המודל חסרה או מאויתת לא נכון, הבקשה עוברת בשקט ל-s2.1-pro ומחייבת אותך על כך. אתה מקבל אודיו סביר ולא שגיאה, כך שטעות הקלדה במשתנה סביבה יכולה לרוץ שבועות לפני שמישהו שם לב שהקול לא נכון.

ל-Ming אין חשבונית כלל, וזה לא אותו דבר כמו להיות בחינם. אתה משלם בשעות GPU ובזמן הנדסי: צ'קפוינט 0.5B הוא 2.96 GB, דורש חיבור יחד של VAE אודיו, מקודד דובר CAM++ וטוקנייזר, ואין מאחוריו התחייבות של ספק לתמיכה. Ant פרסמה טבלאות בנצ'מרק ודמו של Gradio, לא הסכם רמת שירות.

כאן נתב באמת מועיל וכאן הוא באמת לא. OrcaRouter מעביר את מחיר המחירון של הספק ללא מרווח (0%), כך שמבצע ספק כמו זה של Fish Audio מגיע באותו יום לכל מה שאנחנו מנתבים — Drama 3 אינו אחד מהם, וגם Ming לא. נקודות הקצה לדיבור שאנחנו כן מציעים כיום הן קו ה-Gemini TTS של Google, וכן TTS-1-HD של OpenAI, שאפשר להגיע אליהם דרך API אחד מאחורי מפתח יחיד לצד מודלי הטקסט. אם אתם משווים בין Drama 3 ל-Ming, שום שכבת ניתוב לא תארח עבורכם אף אחד מהם; מה שמפתח יחיד קונה הוא שאר הצינור סביבם.

הרישיון קובע יותר ממה שקובע לוח הדירוג.

רישיון MIT לעומת רישיון הקהילה של Fish Audio v1.0 הוא הפיצול החד ביותר בזוג הזה, והוא אינו פילוסופי. תנאי ה-MIT של Ming מאפשרים לכל חברה בכל גודל להטמיע את המודל במוצר בתשלום, למכור אותו מחדש, לכוונן אותו ולשלוח את הנגזרת, ללא סף הכנסות וללא שיחה עם Ant.

הרישיון של Drama 3 הוא חינמי למחקר ולעבודה לא-מסחרית, חינמי לשימוש מסחרי כל עוד אתה והגופים המסונפים אליך נשארים מתחת ל-500,000 דולר אמריקאי בהכנסות שנתיות, ומחייב רישיון במו"מ מעל לכך — או בכל גודל, אם ברצונך להציע את Drama 3 כשירות טקסט לדיבור, שיבוט או הסקה. השאלות הנפוצות (FAQ) שבכרטיס המודל עצמו ברורות יותר מרוב האחרות: אודיו מוגמר ללקוחות זה בסדר, API סינתזה מתחרה זה לא.

פרט אחד שכדאי לבדוק במקום להניח: המטא-דאטה של Hugging Face עבור fishaudio/drama-3 עדיין מציגה fish-audio-research-license, בעוד שטקסט הכרטיס מתאר את ה-Community License. אם אתה האדם שחותם על הפריסה, קרא את קובץ הרישיון במאגר, ולא את התג.

עבור אולפן שיוצר דרמת אודיו, סף ה-500,000$ אינו מהווה בעיה, וסעיף השירות הוא זה שצריך לקרוא. עבור חברה שמטמיעה תכונת קול במוצר מעל קו ההכנסות הזה, Drama 3 היא שיחת רכש ו-Ming היא pip install.

איזה אחד לבחור?

קול תמיכה או טרנזקציוני, אנגלית או סינית. Ming. הוא מנצח בשתי הקטגוריות החשובות ביותר כשהבוט מקריא מספר הזמנה או אסמכתת הזמנה, זה MIT, והוא פועל על חומרה שכבר יש לכם. התיקו בקול המשוכפל אומר שאינכם מוותרים על טבעיות כדי להשיג זאת.

קריינות, דרמת אודיו, תסריטים עתירי מיתוג, שפות רבות. Drama 3. קול המוביל של הספק הוא אמיתי, שמות פרטיים הם הקטגוריה החזקה ביותר שלו, ו-83 שפות לעומת שבע זה לא פער שסוגרים עם הנדסת פרומפטים. תקצו את שינוי המחיר של נובמבר וקראו את סעיף השירות.

צינור עיבוד שכבר מבצע מספר טייקים. Drama 3, אבל רק אם אתם באמת משתמשים בלולאת התיקונים. Fish Audio אימנה אותו עם מודל תגמול המבוסס על העדפות אנושיות ומציגה את התיקון הרב-סיבובי כדרך להשיג את הביצועים שרציתם; Ming הוא מודל חד-פעמי ללא מנגנון תיקון שאפשר לשקול מולו, ולכן מבנה הטייקים הוא סיבה לבחור ב-Drama 3 ולא סיבה להשוות ביניהם.

כל פריסה שבה ה-VRAM הוא המגבלה.Ming, ללא עוררין. מודל תערובת מומחים בנפח 35B שנבחן בבנצ'מרקים על H200s אינו מודל שמריצים כי זה נוח.

מה לראות

שלושה תאריכים ופער אחד. ב-13 בנובמבר מחיר המבצע של Drama 3 יפוג ו-US$10 יהפוך ל-US$50 — מהלך של פי חמישה שישנה בן לילה את כל השוואות העלויות בקטגוריה הזו. לפני כן, שימו לב האם Artificial Analysis ממזגת את השורות של Drama 3 ו-Drama 3 Preview, כי לוח שמפרט מודל אחד פעמיים מזמין בדיוק את סוג הציטוט הרשלני שהמאמר הזה מנסה להימנע ממנו. ושים לב גם לציון עבור Ming-3.0-tts-tiny: גרסת ה-MoE בעלת 7.9B היא זו ש-Ant למעשה משווקת ליצירת פודקאסטים, וכרגע יש לה רק נתוני ספק — 0.820% שגיאת מילים בסינית, 6.000% בקוריאנית — בלי שום דבר עצמאי מאחוריהם.

הסיכום הישר הוא שאין מדובר בשתי גרסאות של אותו מוצר. האחד הוא סוס עבודה קטן ברישיון מתירני, שבמקרה מצטיין בדיוק בטקסט ששובר מערכות קוליות; האחר הוא מנוע ביצועים גדול שמוגבל ברישיון, שבמקרה הוא המודל הפתוח שנשמע הטוב ביותר על הלוח כשהוא משתמש בקאסט שלו. היתרון של 91 נקודות הוא אמיתי. הוא פשוט שייך לשאלה שרוב המוצרים לעולם לא שואלים.