Fish Audio Drama 3 לעומת VoxCPM2: טבלת דירוג מול גיליון נתונים

ל-Fish Audio Drama 3 יש דירוג Elo ול-VoxCPM2 אין, מה שהופך את ההשוואה המתבקשת ביניהם לבלתי אפשרית ואת ההשוואה המעניינת לקלה לפספוס. Drama 3, שהוכרז ב-13 באוקטובר 2026 ומדורג על ידי Artificial Analysis מאז, מחזיק במקום השישי מתוך 100 ב-Provider Voice Arena עם 1,278. ל-VoxCPM2 אין שורה באף אחד מלוחות הדיבור של Artificial Analysis, והוא נעדר משתי הזירות המוזכרות בעמוד זה. מה ששתי המעבדות כן מפרסמות הוא Seed-TTS-eval, ושם המספרים אומרים משהו שדירוג יחיד לא יכול היה לומר: בכל ריצה של הספק עצמו, Drama 3 זקוק לשני מעברים כדי לגבור על המעבר האחד של VoxCPM2. הבחירה בין שני המודלים האלה אינה באמת עניין של איכות. היא עניין של האם אתם רוצים מנוע ביצועים שאתם שוכרים לפי תו, או מודל בן שני מיליארד פרמטרים שאתם יכולים להחזיק.

לאחד יש Elo, ולשני יש גיליון נתונים

חוסר הסימטריה הזה ראוי לומר בבירור, מפני שרוב דפי ההשוואה מטשטשים אותו בשקט. Drama 3 נמצא בכל לוח רלוונטי: מקום שישי מתוך 100 ב-Provider Voice Arena עם 1,278, מקום שנים־עשר מתוך 49 ב-Controlled Voice Arena עם 1,085, ומקום ראשון משותף מתוך 31 בעמידות ההגייה באנגלית עם 93.2%. VoxCPM2 אינו מופיע באף אחד מהם.

היעדר זה אינו שערורייה, והוא אינו חדש. VoxCPM2 יצא לאור עוד מאז אביב 2026 — התיעוד של הפרויקט מתארך את סדרת 2.0 למרץ, המאגר מתייג אותה כ-2026.04, והדוח הטכני פורסם ביוני כ-arXiv:2606.06928 — ובכל הזמן הזה איש לא הציב אותו בזירת האזנה עיוורת. ההסבר הסביר ביותר הוא משעמם: משבצות בזירה מתמלאות בדרך כלל על ידי ספקים שיש להם נקודת קצה מתארחת לקדם, ו-OpenBMB אינה מוכרת כזו. VoxCPM2 מפיצה משקלים ב-Hugging Face וב-ModelScope ושרת /v1/audio/speech תואם OpenAI דרך vLLM-Omni, וזה כל סיפור ההפצה.

אז העמדה הישרה היא זו: אנחנו יכולים להשוות את Drama 3 מול ציון, או שאנחנו יכולים להשוות את שני המודלים זה לזה. אנחנו לא יכולים לעשות את שניהם בבת אחת, וכל עמוד שמציג Elo של VoxCPM2 מול Drama 3 פשוט ממציא אחד כזה.

הציר היחיד ששניהם מפרסמים

Seed-TTS-eval הוא הדבר הקרוב ביותר שיש לתחום הזה למדד משותף, ושתי המעבדות מדווחות עליו. המלכוד הוא שאף אחת מהן לא מפרסמת טבלה מלאה באותו פורמט, כך שמה שלפנינו הוא שני ספקים שמודדים את עצמם.

• שיעור שגיאות מילים באנגלית — Drama 3 מדווח 1.54% בטייק סופי ו-2.20% בטייק הראשון שלו; VoxCPM2 מדווח 1.84% במעבר יחיד. הטייק המוגמר של Drama 3 הוא הטוב מבין שלושת המספרים, והטייק הראשון שלו הוא הגרוע.

• שיעור שגיאות בסינית — Drama 3 עם 0.83% CER בטייק סופי, 1.00% בראשון; VoxCPM2 עם 0.97% CER. אותו דפוס, כאשר הטייק הסופי של Drama 3 מוביל והטייק הראשון שלו בערך באותה רמה.

• דמיון לדובר — Drama 3 מדווח על 0.640 באנגלית (סולם של 0–1); VoxCPM2 מדווח על 75.3 באנגלית ועל 79.5 בסינית, אשר לפי מוסכמת 0–100 הנהוגה במקומות אחרים בדוח שלו הם 0.753 ו-0.795. VoxCPM2 הוא המשכפל החזק יותר לפי המספרים של עצמו.

• בדיקת עומס רחבה יותר — VoxCPM2 מפרסמת גם שיעורי שגיאה של CV3-eval ב-11 שפות (3.65% zh, 5.00% en, 8.55% hard-zh, 9.85% fr, 4.25% it, 5.21% ru) וממוצע פנימי של 1.68% על פני 30 שפות. Drama 3 אינה מפרסמת טבלת שגיאות מקבילה לפי שפה, ולכן אין מה להציג לצידן.

התייחס לפער הדמיון ברצינות ולפער שגיאות המילים בקלות ראש. דמיון הדובר הוא המדד שסביר ביותר לשרוד הבדלי מערכת, משום שהוא מרחק קוסיני בין הטמעות של אותו אודיו ייחוס. שיעורי שגיאות המילים תלויים בנרמול, בעיבוד מקדים של הטקסט ובאילו קטעי ייחוס נעשה שימוש, ולא נדרש משני המעבדות להסכים על אף אחד מאלה. הכיוון אמין — VoxCPM2 משכפל נאמנה יותר, Drama 3 מתמלל מדויק יותר לאחר עדכון — אך הגדלים אינם מדידה.

מס התיקונים שאיש לא מכניס לכותרת

1.54% ו-2.20% הם אותו מודל באותו מבחן, כשההבדל היחיד הוא אם הטייק התקבל כבר בניסיון הראשון. הדוח הטכני של Fish Audio כנה באופן יוצא דופן בעניין זה: הוא מדווח על שניהם, מפני שעריכה מרובת טייקים היא המוצר. ההצעה השיווקית היא שאתה מביים שורה בשפה פשוטה, מאזין, נותן כיוון מחדש ושומר את הטייק שאתה רוצה — והבנצ'מרק משקף את הטייק שנשמר.

אם כך פועל הפייפליין שלך, המספר שתראה הוא 1.54%. אם אתה מזרים מעבר יחיד אל שיחה חיה, שורת דיאלוג במשחק או רנדור אצווה ללא אדם בלופ, אתה קונה את ה-2.20% — גרוע יותר מ-1.84% במעבר יחיד של VoxCPM2. ההיפוך הזה הוא העובדה השימושית ביותר בהשוואה הזו, וזו שאף אחת מהטבלאות של שני הספקים לא מבהירה. הוא גם מתמחר את זרימת העבודה: כל טייק נוסף הוא סינתזה מלאה נוספת, ו-Drama 3 מחייבת לפי תווי קלט, כך שהרגל של שלושה טייקים מכפיל את החשבונית פי שלושה.

ל-VoxCPM2 אין מנגנון תיקון מסוג זה. הוא מציע ארבעה מצבי יצירה — ללא דוגמה, המשכיות, התייחסות בלבד, והתייחסות משולבת בתוספת אודיו הנחיה — והתשובה שלו לטייק גרוע היא לרנדר מחדש עם תגי סגנון שונים. זול יותר לכל ניסיון, מכיוון שאינך משלם לפי תו, אך ללא זיכרון ברמת המודל של הטייק שנדחה.

רף החומרה הוא ההחלטה בפועל

זה המקום שבו שני המודלים מפסיקים להיות תחליפיים.

• טביעת הרגל של VoxCPM2 — כ־8 GB של VRAM, מקדם זמן אמת של כ־0.30 על RTX 4090 ו־0.13 עם Nano-VLLM; הפרויקט מדווח גם על 1.76 ב־Q8_0 על Apple M4 Pro דרך llama.cpp-omni. הוא פועל על תחנת עבודה.

• טביעת הרגל של Drama 3 — Fish Audio אינה מפרסמת מינימום VRAM. טבלת התפוקה שלה נמדדה על H200s: 166.7 פריימים לשנייה וחציון של 88.9 ms לאודיו הראשון בזרם מקבילי אחד, 927.6 פריימים/שנייה ב-16 זרמים, 1,687 פריימים/שנייה ב-64 זרמים, עם RTF של 0.131 בהגדרת זרם יחיד. הסוקרים מציבים את דרישת ה-bf16 בכרטיס של 48 GB, וגרסאות 4-bit קהילתיות טוענות לבערך 32 GB. זה רץ על שרת או על שרת של מישהו אחר.

• הסתייגות בנוגע לתפוקה — הפוסט להשקה מציין 271 פריימים לשנייה מ-H200 יחיד, בעוד שטבלת הסטרימינג בכרטיס המודל מגיעה לכל היותר ל-166.7 בבקשה אחת. שני הנתונים יכולים להיות נכונים תחת מערכי מדידה שונים, אבל זה אומר שנתון המהירות הראשי אינו זה שבדיקת העומס שלך תשחזר.

החשבון הוא כדלקמן. מיליון תווים הם בקירוב חמש־עשרה עד עשרים שעות של דיבור סופי בקצב קריינות רגיל. על 4090 עם RTF של 0.30 מדובר בחמש עד שש שעות של זמן GPU; ב-API של Fish Audio זה 10 דולר ארה״ב במהלך מבצע ההשקה ו-50 דולר ארה״ב לאחר שהוא מסתיים ב-12 בנובמבר. אירוח עצמי של VoxCPM2 זול יותר לשעת אודיו והרבה יותר זול לשעת ניסויים — אפשר לעבוד על עיצוב קול במשך אחר צהריים שלם בלי להסתכל על מונה.

הניתוב אינו ממוסס את הבחירה הזו, אז כדאי להיות מדויקים לגבי מה שהוא עושה. OrcaRouter אינו מארח אף אחד משני המודלים; Drama 3 זמין דרך ה-API של Fish Audio עצמה ומספר פלטפורמות של צד שלישי, ו-VoxCPM2 זמין כמשקלים שאתה מריץ בעצמך. מה שכן אנחנו מספקים הוא צד הדיבור של הצינור סביבם — קו ה-TTS של Gemini, וכן TTS-1-HD של OpenAI, עם מעבר אוטומטי בין ספקים, כך שנקודת קצה מתארחת שנעשית לא תקינה אינה מפילה איתה את המוצר. אם השאלה היא "איזה משני אלה אני מריץ", התשובה נקבעת לפי VRAM, לא לפי הניתוב.

בימוי הופעה לעומת עיצוב קול

שני המודלים חלוקים בדעתם בשאלה היכן מתרחשת העבודה היצירתית, ואי-ההסכמה הזו היא ארכיטקטונית ולא קוסמטית.

Drama 3 הוא כלי של במאי. כותבים הוראות בסוגריים מרובעים לפני המילים שעליהן הן חלות — [חנוק מהתרגשות, בוכה בשקט] — ומשנים אותן באמצע המשפט. תגיות מזווגות מגבילות הוראת בימוי למילים מסוימות: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. ניתן לקבע את ההגייה פונמה אחר פונמה באמצעות CMU Arpabet, pinyin או romaji, וסצנות מקבלות מזהה קול אחד לכל דובר כמערך. ניתן לערוך כמה טייקים תוך התייחסות לקודמים, ואינפיינטינג ברמת המילה מרנדר מחדש מילה מסומנת בודדת כדי שתתאים לטייק שסביבה — אף על פי שגם העריכה האינטראקטיבית וגם האינפיינטינג עדיין נמצאים בבדיקות בהזמנה בלבד, כאשר API לעריכה רשום כ"בקרוב".

VoxCPM2 הוא כלי עיצוב. תכונת הדגל שלו היא Voice Design: תיאור דובר בשפה טבעית מפיק קול ללא אודיו ייחוס כלל. מעבר לכך, הוא מבצע שיבוט zero-shot, יצירת המשך מפרומפט, שיבוט מבוסס ייחוס בלבד עם ערוץ ייחוס מבודד (כך שאין צורך בתמלול המתאים לקטע), ושליטה בסגנון באמצעות תגיות. המגבלה היא ההיקף: הוא מעצב קול ואופן מסירה, לא סצנה. אין תחביר של מערך דוברים, אין מצב דיאלוג עם מספר דמויות, ואין תיקון ברמת המילה.

עבור דרמת אודיו עם שני שחקנים, ההבדל הזה מכריע את העניין לפני כל בנצ'מרק. עבור מוצר שזקוק לקול מותג אחיד לאורך קטלוג, מצב העיצוב של VoxCPM2 הוא הדרך הקצרה יותר, ותחביר הבימוי של Drama 3 הוא בעיקר עומס מיותר.

קצב דגימה, שפות, והארגומנט של הקודק

• פלט — VoxCPM2 מפיק 48 kHz דרך AudioVAE V2 אסימטרי שמקודד ב-16 kHz ומפענח ב-48 kHz; Drama 3 נשאר על 44.1 kHz, ומייצר דרך Descript Audio Codec בעל עשרה ספרי־קוד בקצב של כ-21.5 פריימים לשנייה. 3.9 ה-kHz הנוספים של VoxCPM2 אמיתיים אך לעיתים נדירות נשמעים לצד פורמט מסירה דחוס.

• ארכיטקטורה — VoxCPM2 הוא נטול-טוקנייזר (tokenizer-free) מעצם תכנונו: הוא חוזה לטנטים רציפים ישירות על גבו של עמוד השדרה MiniCPM-4, בטענה שדווקא קודק האודיו הוא צוואר הבקבוק; Drama 3, לעומת זאת, נשאר עם טוקנים בדידים ומשקיע את ה-35B שלו במפענח חיזוי מרובה-טוקנים מבוסס מקבץ-קודים (codebook), שחוזה את תשעת מקבצי-הקודים השיוריים שאחרי שני הראשונים. שני הימורים באשר להיכן שוכנת תקרת האיכות.

• שפות — 83 מיוחסות ל-Drama 3, לעומת 30 ל-VoxCPM2 ועוד תשעה ניבים סיניים (סיצ'ואנית, קנטונזית, וו, צפון-מזרחית, חנאן, שאאנשי, שאנדונג, טיאנג'ין, מינאן). אם נדרשות תאילנדית ווייטנאמית ועברית וסווהילית, ל-VoxCPM2 יש את כל ארבע השפות, ו-Drama 3 אינו טוב יותר באופן מובהק באף אחת מהן; אם נדרשות 83, רק אחד מאלה נמצא בדיון.

• נתוני אימון — VoxCPM2 אומן על 2.36 מיליון שעות דיבור (1.8 מיליון בסינית ובאנגלית ועוד 560 אלף רב-לשוניות), נתון שהתיעוד שלו מפרסם במדויק. Fish Audio אינה מפרסמת נתון מקביל, וזו אינה ביקורת אלא עוד נקודה שבה שני המאמרים לא נכתבו לשם השוואה.

הרישיון: המקום היחיד שבו VoxCPM2 מנצח באופן מובהק

VoxCPM2 הוא תחת רישיון Apache 2.0. כל חברה, בכל רמת הכנסות, יכולה להטמיע אותו, לשנות אותו, לכוונן אותו, להפיצו מחדש ולמכור את הפלט, ללא סף הכנסות וללא משא ומתן. כוונון עדין מסוג LoRA ו-SFT נתמך ומתועד.

Drama 3 נמצא תחת רישיון Fish Audio Community License v1.0: ללא תשלום למחקר ולעבודה לא-מסחרית, ללא תשלום לשימוש מסחרי כל עוד אתה והשותפים המסונפים שלך נשארים מתחת ל-500,000 דולר אמריקאי בהכנסה שנתית, ורישיון שייקבע במשא ומתן מעל לכך — או בכל גודל אם ברצונך להציע את Drama 3 כשירות TTS, שיבוט קולי או הסקה. אודיו מוגמר ללקוח מותר במפורש בכל רמת הכנסה; API סינתזה מתחרה אינו מותר. Artificial Analysis מסמנת אותו כ"משקלים פתוחים ללא זכויות שימוש מסחרי", וזהו סיכום הוגן בשורה אחת של תנאי הסף.

יש גם פרט שכדאי לבדוק במקום להסתמך עליו: המטא-נתונים של Hugging Face עבור fishaudio/drama-3 עדיין מציגים fish-audio-research-license, בעוד שטקסט הכרטיס מתאר את Community License. קראו את קובץ הרישיון במאגר לפני שאתם בונים מוצר על סמך התג.

עבור חברה ממומנת שמשחררת תכונת קול, זו כל ההשוואה בשורה אחת: VoxCPM2 לא עולה לך כלום בבדיקה משפטית, Drama 3 עולה לך שיחה עם צוות מכירות.

בחר לפי אילוץ, לא לפי ניקוד

יש לך GPU אחד ומוצר לשחרר. VoxCPM2. שמונה ג'יגה-בייט, Apache 2.0, 48 kHz, ומצב עיצוב קול שמעניק לך קול מותג שמיש כבר אחר הצהריים הראשון. אתה מוותר על בימוי סצנות ועל ציון קול הספק הטוב ביותר בקטגוריה.

אתה מייצר אודיו מתוסרט עם אדם בתוך התהליך.דרמה 3. הוראות בימוי בסוגריים, תגיות עם תחולה, מעברים באמצע משפט ותיקון ברמת המילה הם הדבר הקרוב ביותר שיש למשקלים פתוחים לסשן הקלטה, ושיעור שגיאות המילים (WER) באנגלית של 1.54% הוא מה שלולאת התיקונים מספקת. הקצה תקציב לשינוי המחיר ב-12 בנובמבר, וקרא תחילה את סעיף השירות.

אתה צריך שפה מחוץ לשלושים. Drama 3, או אף אחד מהם — אבל בדוק את השפה הספציפית מול טענות הכיסוי של Fish Audio עצמה, ולא לפי ה־"83" שעל האריזה.

אתה משכפל את הקול של אדם ספציפי בקנה מידה גדול. הדמיון לדובר של VoxCPM2 הוא הנתון הטוב ביותר בעמוד הזה, וערוץ הייחוס המבודד שלו מאפשר לשכפל מקליפ בלי תמלול תואם. היתרון של Drama 3 הוא הכוונה, לא נאמנות לרפרנס.

הדבר היחיד שאסור לעשות הוא לדרג אותם. אין ארנה משותפת, אין מחקר העדפות אנושיות משותף ואין מערכת בדיקת שגיאות משותפת — רק מודל אחד עם Elo ואחד עם גיליון מפרט, והחלטה שתלויה באילו חומרה יש לכם ובמה שהרישיון מאפשר לכם לעשות איתה.