AssemblyAI-TTS-1 vs Fish Audio Drama 3: Tombol Checkout Melawan Unduhan 41,5 GB

Hal pertama yang perlu dipahami tentang AssemblyAI-TTS-1 dibandingkan dengan Fish Audio Drama 3 adalah bahwa salah satunya adalah sebuah file. Drama 3, yang dirilis pada 13 Oktober 2026, adalah model ucapan mixture-of-experts dengan 35 miliar parameter yang dipublikasikan di Hugging Face sebagai fishaudio/drama-3 — sekitar 41,5 GB bobot sebelum Anda menambahkan codec, dan sekitar 48 GB VRAM untuk menyajikannya dalam FP8. AssemblyAI-TTS-1, yang tersedia secara umum sejak 27 Oktober 2026 dengan harga $15 per juta karakter, adalah endpoint HTTPS di US-East atau EU-North yang merespons dalam waktu kurang dari sepersepuluh detik dan tidak meminta apa pun dari Anda selain teks. Setiap perbandingan di antara keduanya yang dimulai dengan skor Elo dimulai dari tempat yang salah, karena kedua produk ini dipisahkan oleh keputusan operasional sebelum dipisahkan oleh keputusan kualitas.

Apa yang bisa dibeli dengan $15, dan apa yang bisa dibeli dengan 41.5 gigabyte

Sisi AssemblyAI-TTS-1 singkat untuk dijelaskan. Tarif tetap $15 per juta karakter input yang mencakup semua 4.000+ suara pustaka, kloning instan dari sampel 24 detik, stempel waktu kata, enam bahasa peluncuran (Inggris, Spanyol, Prancis, Jerman, Italia, Portugis), pemrosesan di AS atau UE, endpoint WebSocket dan HTTP plus rute yang kompatibel dengan OpenAI, pesan pembatalan untuk barge-in, dan konkurensi tanpa batas tanpa biaya tambahan. Tidak ada SSML, tidak ada parameter kecepatan, tidak ada kamus pelafalan, tidak ada tag emosi, tidak ada tingkat kloning profesional.

Sisi Drama 3 adalah bentuk produk yang sama sekali berbeda. Ini adalah MoE 35B dengan sekitar 3 miliar parameter aktif per token, diinisialisasi dari Qwen3.5-35B-A3B, 40 lapisan, 8 dari 256 expert routed ditambah satu shared — yang menjadi alasan model ini dapat terdengar ekspresif dan tetap muat pada satu akselerator. Model ini mencakup 83 bahasa, mengkloning suara, menangani hingga 16 pembicara dalam sekali proses, dan menerima arahan panggung bahasa alami dalam tanda kurung seperti [sighs] yang dijalankan oleh model. Menurut kartu model Fish sendiri, model ini juga dibangun untuk performa terarah: dubbing, narasi, adegan multi-karakter. Loop telepon sub-100 ms bukanlah hal yang menjadi sasaran penyetelannya.

Perbedaan itu bukan berarti merendahkan salah satunya. Justru itulah alasan pertarungan ini ada: Drama 3 adalah satu-satunya model dalam seri ini yang bisa Anda miliki sepenuhnya, dan AssemblyAI-TTS-1 adalah satu-satunya dalam seri ini yang bisa Anda hadapkan langsung kepada penelepon sore ini tanpa perlu membeli GPU.

Perhitungan konkurensi adalah argumen sebenarnya.

Kedua vendor menerbitkan angka latensi dan tidak satu pun dari keduanya dapat dibandingkan secara langsung, jadi perlakukan hal berikut sebagai dua klaim terpisah, bukan sebagai adu langsung.

• Drama 3, kartu model vendor — 88,9 ms median waktu hingga audio pertama pada satu aliran tunggal di satu H200, faktor waktu nyata 0,131, 271 frame per detik. Dukungan serving hadir dalam hitungan hari setelah rilis dan perangkat keras yang sama mencatat 255 ms median waktu hingga audio pertama pada 128 aliran bersamaan, atau sekitar 222 detik audio per detik waktu berjalan.

• AssemblyAI-TTS-1, laboratorium vendor — 47 ms median waktu ke byte pertama; diukur secara independen oleh Cekura pada 159 ms median waktu mulai streaming dan 296 ms pada p90, dengan throughput 162 karakter per detik menurut pengukuran Artificial Analysis.

Lihat apa yang terjadi pada angka Drama 3 saat beban meningkat: 88,9 ms saat sendirian, 255 ms pada 128 stream. Itu adalah kurva yang sangat bagus untuk pipeline dubbing dan marginal untuk pusat panggilan, di mana setiap milidetik sebelum penelepon mendengar sesuatu adalah milidetik keheningan. Klaim balasan AssemblyAI bukanlah angka yang lebih cepat, melainkan tidak adanya kurva — konkurensi tak terbatas dengan satu tarif tetap, karena masalah penjadwalan adalah tanggung jawab vendor dan Anda tidak pernah melihatnya. Apakah janji itu bertahan pada lalu lintas Anda sendiri adalah tepat hal yang harus diuji, karena klaim konkurensi tak terbatas tanpa perilaku antrean yang dipublikasikan adalah klaim tentang klaster orang lain.

Dua tagihan yang tidak dalam satuan yang sama

Fish mencantumkan Drama 3 seharga $50,00 per juta byte UTF-8, yang menurut dokumentasi vendor itu sendiri setara dengan sekitar dua belas jam ucapan — sekitar $4,17 per jam audio. Ada promosi peluncuran seharga $10,00 per juta byte, sekitar $0,83 per jam, yang berlangsung hingga 12 November 2026. AssemblyAI-TTS-1 seharga $15 per juta karakter kurang lebih setara dengan $0,81 per jam ucapan, dengan menggunakan asumsi murah hati yang sama, yaitu sekitar 900 karakter per menit audio percakapan biasa.

Jadi, selama promosi, harga keduanya hanya berbeda dalam kisaran kesalahan pembulatan, dan pada harga daftar Fish sekitar lima kali lebih mahal per jam keluaran — dan itu sebelum Anda membeli H200. Hosting mandiri tidak menghilangkan biaya; itu mengubah tagihan per karakter menjadi tagihan per jam GPU ditambah seseorang yang tahu cara menyajikannya.

Ada dua jebakan yang layak disebutkan karena mudah sekali terjerumus ke dalamnya.

• Karakter bukan byte. Fish menagih per byte UTF-8, AssemblyAI per karakter. Teks bahasa Inggris hampir mendekati satu byte per karakter, sehingga keduanya tampak sebanding; naskah bahasa Jepang, Arab, atau yang padat emoji membengkakkan jumlah byte dan diam-diam menaikkan tagihan Drama 3 sebesar 30–100% pada naskah yang sama.

• Header model yang hilang tidak menyebabkan kegagalan yang mencolok. Dokumentasi Fish sendiri mencatat bahwa pengenal model yang tidak ada atau salah eja akan dialihkan ke s2.1-pro dengan tarif $15.00 per juta byte — biaya tambahan 50% di atas tarif promosi Drama 3, untuk model yang berbeda, tanpa kesalahan apa pun dalam respons.

Ada angka ketiga yang beredar dan layak disebut karena Anda akan menemukannya di papan peringkat. Kolom harga Artificial Analysis mencatat Drama 3 sebesar $15.0 per juta karakter, yang tidak sesuai dengan $50 per juta byte milik Fish atau dengan $10 promosi. Tiga angka — daftar, promosi, normalisasi papan — dan hanya dua yang pertama berasal dari vendor. Angka papan itu adalah satuan perbandingan, bukan kutipan harga.

Gerbang lisensi di bagian bawah postingan

Drama 3 bukan open source dalam pengertian yang diasumsikan banyak tim. Drama 3 dirilis di bawah Fish Audio Community License v1.0: penggunaan komersial gratis di bawah pendapatan tahunan US$500.000, lisensi terpisah berlaku di atas itu, dan menjual kembali model sebagai API TTS yang di-hosting memerlukan perjanjian tersendiri terlepas dari ukurannya. Artificial Analysis mencatatnya sebagai open weights tanpa hak penggunaan komersial penuh, yang merupakan deskripsi akurat.

AssemblyAI-TTS-1 tidak memiliki batasan semacam itu karena tidak memiliki bobot — Anda tidak dapat menghostingnya sendiri, melakukan fine-tune, atau terus menjalankannya jika vendor mengubah harganya. Itulah trade-off yang tidak ada yang mencantumkannya dalam bagan perbandingan: lisensi Drama 3 membatasi apa yang dapat Anda lakukan dengan model tersebut, dan arsitektur AssemblyAI-TTS-1 membatasi apa yang dapat Anda lakukan tanpa vendor.

Kesenjangan kualitas, dinyatakan sekali

Di Provider Voice Arena milik Artificial Analysis — dibaca pada 30 Oktober 2026, sehingga keduanya menggunakan run yang sama — Drama 3 berada di peringkat keenam dengan 1.278 Elo dan AssemblyAI-TTS-1 di peringkat keempat belas dengan 1.227. Di Controlled Voice Arena, Drama 3 berada di peringkat kedua belas dengan 1.085 dan AssemblyAI-TTS-1 di peringkat kesepuluh dengan 1.110, yang membalik urutan dan menunjukkan bahwa kedua papan tersebut mengukur hal yang berbeda: suara stok pada papan pertama, kesetiaan kloning terhadap referensi tetap pada papan kedua. Drama 3 adalah yang peringkatnya lebih tinggi di antara keduanya dalam hal suara alami, dan keduanya berada dalam batas noise satu sama lain setelah rekaman referensi dibuat konstan.

Angka yang paling tajam membedakan keduanya adalah ketangguhan pengucapan, di mana Drama 3 memimpin papan peringkat secara mutlak — sumber menempatkan angkanya di antara sekitar 93% dan 95% tergantung kapan halaman itu dibaca, jadi anggap peringkatnya sebagai fakta dan angka desimalnya sebagai hiasan. AssemblyAI-TTS-1 mencetak 81,7% pada instrumen yang sama, peringkat keenam belas, dengan subskor terlemahnya pada perluasan singkatan sebesar 73,8%. Jika input Anda penuh singkatan, Drama 3 menanganinya tanpa kamus. Jika input Anda adalah nomor telepon yang dibacakan, uji independen Cekura menempatkan AssemblyAI-TTS-1 di posisi pertama di bidangnya dengan 91,7% tepat pada kategori tersebut.

Benchmark milik vendor mana pun tidak boleh dianggap independen. Akurasi kata 99,0%, prediksi MOS 3,85, dan skor TTSDS 85,5 milik AssemblyAI berasal dari harness miliknya sendiri pada set held-out miliknya sendiri; 88,9 ms dan 271 frame per detik milik Fish berasal dari model card miliknya sendiri. Pengukuran pihak ketiga — Artificial Analysis, Cekura, Coval — adalah satu-satunya dalam artikel ini yang dihasilkan oleh pihak yang tidak memiliki produk untuk dijual.

Pilih berdasarkan apa yang bisa Anda jalankan, bukan berdasarkan apa yang peringkatnya lebih tinggi.

Ada tepat tiga situasi di mana Drama 3 adalah jawaban yang tepat. Anda membutuhkan performa yang ekspresif dan terarah dengan arahan panggung serta beberapa pembicara dalam satu proses — tanpa perdebatan, AssemblyAI-TTS-1 tidak memiliki padanan untuk itu. Anda membutuhkan bahasa di luar enam bahasa yang diluncurkan AssemblyAI — 83 berbanding 6, dan perbandingannya berhenti sampai di situ. Atau Anda membutuhkan model tersebut di perangkat keras Anda sendiri karena alasan residensi data yang tidak dapat dipenuhi oleh region vendor di AS atau UE — yang merupakan kebutuhan nyata bagi sebagian beban kerja teregulasi dan satu-satunya alasan yang membenarkan penggunaan GPU.

Semua orang lain sedang membeli agen telepon, dan agen telepon menginginkan tagihan tetap, tanpa antre di belakang H200 milik orang lain, serta masalah pelafalan yang bisa ia perbaiki. AssemblyAI-TTS-1 memberi Anda dua hal pertama dan belum memberi Anda yang ketiga. Itulah gambaran jujurnya: Drama 3 adalah model yang lebih baik tetapi produk yang lebih buruk untuk pekerjaan ini.

Kompromi praktis yang akan diambil sebagian besar tim adalah keduanya — Drama 3 untuk audio yang dihasilkan yang Anda kirim sebagai konten, AssemblyAI-TTS-1 untuk ucapan giliran demi giliran dalam loop langsung, dengan satu jalur fallback di antara keduanya. Menjaga vendor TTS kedua tetap terhubung adalah disiplin yang sama yang diterapkan OrcaRouter pada separuh model bahasa dari tumpukan itu: satu API untuk 200-an model dengan harga daftar provider dan markup 0%, failover otomatis saat provider menurun, dan DSL perutean yang memungkinkan satu endpoint melayani beberapa model alih-alih beberapa kontrak. Tidak satu pun dari kedua model ucapan ini ada dalam katalog OrcaRouter saat ini — rute ucapan yang kami sediakan adalah keluarga tts-1 OpenAI dan pratinjau Gemini TTS Google — jadi pahami itu sebagai bentuk argumennya, bukan saran bahwa Anda dapat membeli Drama 3 di sini.

Apa yang akan mengubah putusan ini: Fish menerbitkan kurva konkurensi yang tetap di bawah 150 ms pada volume pusat panggilan, atau AssemblyAI menambahkan kamus pelafalan dan empat bahasa lagi. Pantau yang kedua lebih dulu. Itu adalah perubahan konfigurasi, dan perusahaan yang meluncurkan kartu tarif rata $15 telah menunjukkan bahwa ia lebih suka bersaing pada tagihan.