Fish Audio Live 3 לעומת Drama 3: מודל אחד קורא את התסריט, והשני שומע את החדר

Fish Audio Live 3 ו-Fish Audio Drama 3 אינם שתי תשובות לאותה שאלה, והתייחסות אליהם כיריבים היא הדרך המהירה ביותר לקנות את הלא נכון. Drama 3, שאותו פרסמה Fish Audio ב-2026-10-13, הוא מודל טקסט לדיבור: אתה מוסר לו מילים והנחיית ביצוע, והוא מחזיר אודיו. Live 3, שהוכרז ב-2026-11-10, הוא מודל קולי דופלקס לשיחות סוכנים: הוא מקשיב בזמן שהוא מדבר, מחליט מתי הפסקה פירושה "להמשיך" ומתי היא פירושה "סיימתי", ויכול להגיב בזמן קצר של 186 אלפיות שנייה לפי Fish Audio. האחד הוא מרנדר; השני הוא בן שיח.

הבלבול מובן, מפני ששניהם מודלים של Fish Audio, שניהם חדשים, ושניהם משווקים כיכולים להיות טובים במשהו שמודלי Fish Audio האחרים לא היו. אבל הם נמצאים בשכבות שונות של סטאק קולי, הם מתועדים בנפרד, ורק אחד מהם מופיע במחירון שפרסמה Fish Audio. לכן ההשוואה השימושית אינה איזה מהם טוב יותר — אלא לאיזו משימה כל אחד מהם מיועד בפועל, והיכן הם נפגשים בתוך מוצר אחד.

מה מתועד שכל מודל עושה

Drama 3 הוא מודל טקסט לדיבור, והראיות הציבוריות לגביו הן העדפה והגייה ולא חילופי תורות. ב-Provider Voice Arena של Artificial Analysis הוא ממוקם שישי ב-Elo של 1,278; ב-Controlled Voice Arena, שבה כל מודל נשפט מול אותם קולות ייחוס, הוא במקום ה-12 עם 1,085. בשני הלוחות הוא המודל עם משקולות פתוחות המדורג גבוה ביותר בטבלה, והרשומה הקודמת של Drama 3 Preview — זו שזכתה לסיקור בתקשורת באוקטובר — עדיין מופיעה בנפרד עם 1,240 ו-1,063. במדד English Pronunciation Robustness הוא משיג 93.2% בסך הכול, מקום ראשון משותף מבין 31 מודלים שדורגו, יחד עם Ming-3.0-tts, כשהפילוח לפי קטגוריות חשוב יותר מהנתון הכולל: 95.9% במונחים עצמאיים כגון שמות מותגים ושמות טכניים, 93.6% בהרחבת קיצורים כגון מספרים ותאריכים, 86.3% בשימור רצפים מדויקים כגון קודים ונתיבים, ו-95.3% בהגייה הולמת בהקשר.

העדויות הפומביות של Live 3 הן בצורה שונה לחלוטין. ההכרזה של Fish Audio בנויה סביב שיחה ולא סביב רינדור, ושלוש הדוגמאות המובאות בה עוסקות כולן בתזמון.

• מספר טלפון שנקרא בקטעים — "415… 555… 0132" — כאשר Live 3 עשוי לומר "ממ-הם" או "אוקיי, 415" בין הקטעים ואז להמתין לשאר.

• מתקשר שאומר "כן" או "ממ־האם" בזמן שהסוכן מקריא שעות פתיחה, כאשר Live 3 ממשיך ולא מתייחס להבעת ההסכמה כהפרעה.

• מתקשר שמשנה הזמנה תוך כדי דיבור — "שתי פיצות… לא, שלוש. שלוש גדולות. ו… בעצם, תעשה אחת מהן מרגריטה" — כאשר Live 3 ממתין לאורך כל תיקון במקום לפעול לפי ההזמנה השלמה הראשונה שנשמעת סבירה.

Fish Audio מציינת שהמודל יכול להחליט להגיב בתוך 186 מילישניות בלבד, כשהיא מתארת תגובות קצרות כמו "mm-hmm", "okay" ואישורים מהירים ולא תשובות מלאות. בהשקה הוא מדבר אנגלית בלבד והוא זמין ב-Fish Agent Platform, דרך ה-API של Fish Audio ובפריסה מקומית עבור ארגונים. מה שאין לו הוא שום בנצ'מרק שפורסם, שום ציון בלתי־תלוי — Artificial Analysis אינה כוללת שורת Live 3 duplex נכון ל-2026-11-11 — או שורה במחירון של Fish Audio.

למה יחידות התמחור אומרות לך שאלו מוצרים שונים

Fish Audio מחייבת עבור Drama 3 לפי בתים של UTF-8 בטקסט הקלט: $50.00 למיליון בתים במחיר מחירון, עם מבצע השקה של $10.00 למיליון שנמשך עד 2026-11-30. התיעוד של החברה עצמה ממיר מיליון בתים ב-UTF-8 לכ-180,000 מילים באנגלית, או לכשתים-עשרה שעות של דיבור — מה שמעמיד את drama-3 על כ-$4.17 לשעת אודיו מיוצר במחיר מחירון, וכ-$0.83 לשעה במהלך המבצע. יחידה זו קיימת משום של-TTS יש כמות ידועה של טקסט שנכנסת וכמות ידועה של אודיו שיוצאת.

Live 3 לא מתאים ליחידה הזו בכלל, והוא נעדר מכרטיס התעריפים. בשיחת סוכן דופלקס אין תסריט קבוע: האודיו הנכנס הוא מה שהמתקשר אומר, האודיו היוצא הוא ככל שהמודל בוחר לומר, והעלות המעניינת היא דקות חיבור ולא בתים של טקסט. Fish Audio לא פרסמה באיזו מדידה תשתמש, ולכן העמודה של Live 3 בכל השוואת עלויות ריקה ולא זולה.

מה ששתי המודלים כן חולקים הוא פלטפורמה. פלטפורמת Agent Platform של Fish Audio, שנמצאת כעת בבטא פומבית, מארחת סוכני Live 3 וחושפת משטח REST תחת /v1/agent/* עם ערכות SDK ל-JavaScript ול-React, ערוצים עבור וידג'ט אינטרנט, מספר טלפון או לקוח מותאם אישית, ואימות באמצעות אסימון סשן. וו ה-LLM המותאם אישית בפלטפורמה הזו מצביע על נקודת קצה תואמת OpenAI, וזה התפר שבו נכנסת שכבת הסקה משלכם לבחירתכם.

היכן שהם נפגשים במוצר אחד

השאלה המעניינת אינה איזה מודל מנצח, אלא איך נראה מוצר יחיד כשמשתמשים בשניהם למה שכל אחד מהם טוב בו. קו הזמנות צריך את Live 3 בשיחה החיה, מפני שהשיחה היא המקום שבו קורים הפסקות ותיקונים. אותו מוצר בדרך כלל צריך גם את Drama 3, או מודל דומה לו, לכל מה שאינו שיחה: אישור ההזמנה שנקרא שוב לאחר השיחה, הודעת התא הקולי, תזכורת יוצאת, והקריינות הארוכה בעמוד השיווקי שהביא את המתקשר לשם. אלה משימות רינדור עם תסריט ידוע, והחוזקות המפורסמות של Drama 3 — העדפה בקרב מאזינים, 93.2% הגייה, 83 שפות, המשקלים הפתוחים שפורסמו תחת Fish Audio Community License v1.0 עם תקרת הכנסות של $500,000 — הן בדיוק החוזקות שמשימת רינדור צריכה.

לפיצול הזה יש השלכה עלותית שראוי להצהיר עליה בפשטות, כי כאן שכבת ניתוב מפסיקה להיות הפשטה. שכבת ההיסק שמאחורי סוכן Live 3 יכולה להצביע לכל מקום שמדבר בפרוטוקול OpenAI; OrcaRouter יושב מאחורי נקודת הקצה הזו עם 216 מודלים ממפתח אחד, במחיר המחירון של הספק ללא תוספת ומעבר אוטומטי לגיבוי כאשר ספק מחזיר שגיאה, כך שאפשר להחליף את המתכנן בתוך הסוכן בלי לגעת בשכבת הדיבור או במספר הטלפון. DSL לניתוב מחליט איזה מודל מטפל באיזה סוג שיחה, ומיזוג מודלים מאפשר למודל זול להכין טיוטת קריאת כלי בעוד מודל חזק יותר בודק אותה לפני שהיא יוצאת לפועל. OrcaRouter אינו מארח את Fish Audio Live 3 או Drama 3 — אף אחד מהם אינו זמין דרך נקודת קצה של צד שלישי, ושכבת הדיבור במערך הזה נשארת עם Fish Audio. מה שהוא כן מארח הוא כל מה שמסביב לדיבור.

איזה מהם אתה באמת צריך

אתה צריך את Drama 3 אם הפלט הוא קובץ. קריינות, ספרי שמע, פרסומות, קול דמות, דיבוב, הקראות לנגישות — כל דבר שבו אדם כתב את המילים ומאזין ישמע אותן פעם אחת, מלוטשות. יש לו ציוני העדפה, פירוט הגייה, מספר השפות ותעריף מפורסם לפי בייט שאפשר לחזות לפיו. הוא גם במשקולות פתוחות, מה שחשוב אם אתה צריך להריץ אותו בעצמך.

אתה צריך את Live 3 אם הפלט הוא שיחה שצריכה לשרוד הפרעה. סוכני טלפון, קווי הזמנות, קבלת הזמנות, מיון תמיכה — כל דבר שבו המתקשר מדבר בחזרה, ואופן הכשל הוא שמדברים מעליו או שהוא צריך לחזור על רצף ספרות. יש לו טיעון התנהגותי, רצפת השהיה של ספק ופלטפורמה, ועדיין אין לו מדד ביצועים או מחיר.

סביר להניח שתצטרכו את שניהם אם אתם בונים מוצר קולי ולא דמו, והחלוקה היא לאורך הקו שבין חי למרונדר. הטעות שכדאי להימנע ממנה היא לבחור באחד כדי שימלא את תפקידו של האחר: מודל TTS לא יכול להחליט מתי להפסיק לדבר, ומודל סוכן דופלקס הוא דרך יקרה ולא מוערכת לייצר ברכת תא קולי. Fish Audio מוכרת את שניהם, יחידות התמחור שונות בכוונה, ומפת דרכים שמתייחסת אליהם כאל מוצר אחד תטעה בתחזית העלויות של עצמה מהחודש הראשון.