Fish Audio Drama 3 Kini Menguasai Kedua Arena Ucapan Sekaligus — dan Tidak Satu Pun dari Angka Itu adalah Angka yang Anda Lihat Minggu Lalu

Papan peringkat memuat dua catatan untuk satu produk. Fish Audio Drama 3berada di peringkat keenam di Artificial Analysis Provider Voice Arena dengan Elo 1.278 dan peringkat kedua belas di Controlled Voice Arena dengan 1.085, dan di kedua papan itu ia merupakan model berbobot terbuka dengan peringkat tertinggi dalam tabel. Catatan berlabel Fish Audio Drama 3 Preview — yang mendapat liputan pers saat Fish Audio menerbitkannya pada 2026-10-13 — masih dicantumkan secara terpisah, pada 1.240 dan 1.063. Itu berarti selisih 38 poin di satu papan dan 22 di papan lainnya, untuk apa yang disebut halaman produk vendor itu sendiri sebagai satu model dengan dua nama. Jika Anda mengutip Elo Drama 3 dalam dua minggu terakhir, inilah artikel yang memberi tahu Anda mana dari keduanya yang Anda kutip.

Apa yang sebenarnya dikatakan papan-papan itu hari ini

Kedua angka itu dibaca dari Artificial Analysis pada 29 Oktober 2026, dan keduanya memiliki tarif $15,00 per juta karakter yang sama yang tercatat di papan peringkat, sehingga selisih 38 poin bukanlah perubahan harga — melainkan dua evaluasi atas dua keadaan terarsip dari model yang sama. Peringkat suara penyedia di atas Drama 3 semuanya merupakan sistem tertutup: Eleven v4 Turbo pada 1.336 dan $40,00, Eleven v4 pada 1.334 dan $80,00, Qwen-Audio-3.1-TTS-Plus pada 1.305 dan $19,30, Cartesia Sonic 3.6 pada 1.296 dan $49,00, dan Google Gemini 3.8 Flash TTS pada 1.283 dan $16,50. Masing-masing berbiaya lebih mahal per juta karakter daripada entri Fish Audio yang berada tepat di peringkat bawahnya.

Papan suara terkontrol adalah tempat di mana dua catatan Drama 3 paling tajam berbeda dalam peringkat, dan tempat klaim open-weights paling mudah diperiksa, karena semua model di sana dinilai berdasarkan suara referensi tetap yang sama, bukan berdasarkan katalog milik masing-masing vendor. Sebaran lengkap untuk entri open-weights per hari ini:

• Suara Penyedia — Fish Audio Drama 3 1.278 (#6); Fish Audio Drama 3 Preview 1.240 (#12); Breeze TTS 2 1.228 (#13); Voxtral 3 TTS 1.223 (#15).

• Suara Terkontrol — Fish Audio Drama 3 1.085 (#12); Ming-3.0-tts 1.068 (#17); Fish Audio Drama 3 Preview 1.063 (#20); Breeze TTS 2 1.021 (#28).

• Selisih yang penting — pada suara terkontrol, Drama 3 masih tertinggal dari Eleven v4 (1.156, #4) dan Inworld Realtime TTS-2 (1.146, #7); Google Gemini 3.8 Flash TTS (1.053, #24) berada di bawahnya, tetapi sistem tertutup di puncak papan peringkat itu bukan berjarak empat poin, melainkan tujuh puluh poin. HeyGen Voice memimpinnya dengan 1.193.

Ada dua hal yang menyusul. Pertama, "pertama di antara bobot terbuka" benar di kedua arena saat ini dan bukan hasil seri di keduanya. Kedua, selisih pada papan terkontrol — 17 Elo di atas Ming-3.0-tts dengan jumlah parameter seperlimanya — berada dalam rentang di mana beberapa ribu suara dapat mengubah urutan, jadi anggap itu sebagai keunggulan, bukan sebagai kepastian yang terkunci.

Skor pengucapan adalah peringkat pertama bersama, bukan peringkat pertama tunggal.

Pengumuman Fish Audio mengutip 93,2% pada tolok ukur English Pronunciation Robustness milik Artificial Analysis, dibandingkan dengan 88,1% untuk S2.1 Pro sebelumnya, dan menggambarkannya sebagai skor tertinggi di papan peringkat. Itu akurat saat skor tersebut masuk pada 2026-10-20, dengan satu kualifikasi yang tidak dicantumkan dalam materi pemasaran: Ming-3.0-tts dari Ant Group mencapai 93,2% yang sama, sehingga papan peringkat menunjukkan hasil imbang di posisi pertama di antara 31 model yang dinilai, bukan satu pemimpin tunggal. Eleven v4 berada pada 91,7% dan Eleven v4 Turbo pada 90,1%.

Angka agregat menyembunyikan trade-off yang nyata. Kekuatan Drama 3 terletak pada proper noun dan kata yang bergantung pada konteks — 95,9% pada istilah mandiri seperti merek, tempat, dan nama teknis, serta 95,3% pada kata yang bacaannya bergantung pada kalimat. Kelemahannya adalah segala hal yang harus direproduksi karakter demi karakter: 86,3% pada kode, path, dan alamat email, yang di sinilah Ming mencapai 90,6%. Satu-satunya kategori yang benar-benar kalah oleh Drama 3 adalah singkatan yang dijabarkan — angka, tanggal, dan satuan — dengan 93,6% versus 94,1% milik Eleven v4. Jika pipeline Anda membacakan nomor pesanan, kode komponen, atau string pelacakan dengan lantang, angka utama 93,2% adalah angka yang salah untuk dijadikan dasar perencanaan; 86,3% adalah angka yang tepat.

Apa yang dirilis pada 2026-10-13, dan apa yang berubah dalam enam belas hari

Tak satu pun dari ini merupakan peluncuran, dan hal ini tidak boleh dilaporkan sebagai peluncuran. Fish Audio memasukkan model tersebut ke aplikasi webnya, aplikasi iOS dan Androidnya, serta API-nya pada 2026-10-13, dengan id model API "drama-3". Yang baru dalam dua minggu terakhir adalah penilaian independen terhadap model ritel, bukan keberadaan model itu. Konsekuensi praktis dari perbedaan tersebut perlu diuraikan, karena liputan sebelumnya tentang model ini — termasuk di blog ini — ditulis berdasarkan data Preview.

Arsitektur tidak berubah antara kedua catatan: sebuah mixture-of-experts dengan 35 miliar parameter yang diinisialisasi dari Qwen3.5-35B-A3B, dengan sekitar 3 miliar parameter aktif per token dan 8 dari 256 routed expert serta satu shared expert yang aktif. Empat puluh lapisan disusun dalam blok berulang yang terdiri atas tiga lapisan Gated DeltaNet dan satu lapisan full-attention bergerbang, sehingga hanya satu dari empat lapisan yang menyimpan KV cache. Decoder-nya adalah rancangan codebook-MTP — empat lapisan bersama yang memberi masukan ke sembilan lapisan selebar penuh, satu untuk tiap codebook akustik — dan hanya codebook 0 dan 1 yang diumpan-balikkan ke backbone. Tokenizer-nya adalah setup Descript Audio Codec yang sama dengan yang digunakan S2: 44,1 kHz, sepuluh codebook, sekitar 21,5 frame per detik, sepenuhnya kausal. Ada satu ketidakonsistenan kecil yang perlu dicatat karena akan membingungkan siapa pun yang membandingkan kedua sumber: pengumuman Fish Audio menyebut 35 miliar parameter, sedangkan model card Hugging Face melaporkan ukuran model 36B. Perbedaannya kemungkinan besar adalah pembulatan atau konvensi penghitungan embedding, bukan checkpoint yang berbeda, tetapi kedua angka itulah yang akan Anda temukan di masing-masing tempat.

Throughput pada satu H200 adalah angka dari vendor sebesar 271 frame per detik dibandingkan 177 untuk S2, yang merupakan hal yang seharusnya Anda dapatkan dari MoE 35B dengan jalur aktif 3B. Penyajian dilakukan melalui SGLang-Omni. Bobotnya ada di Hugging Face sebagai fishaudio/drama-3 — sekitar 40 GB di seluruh kumpulan shard safetensors plus file codec terpisah — dan inferensi FP8 membutuhkan sekitar 48 GB VRAM, tanpa jalur CPU atau ROCm yang didokumentasikan. Batasan terakhir itulah yang menentukan sebagian besar pertanyaan self-hosting, dan itu adalah subjek perbandingan Breeze TTS 2, bukan yang ini.

Tiga harga, dan kartu itu bukan yang seharusnya menjadi dasar perencanaan Anda.

Di sini sumbernya harus eksplisit, karena ada tiga angka yang beredar dan dua di antaranya bukan seperti yang terlihat. Artificial Analysis mencatat $15.00 per juta karakter untuk kedua entri Drama 3. Halaman pengumuman Fish Audio sendiri menyatakan harga daftar $50.00 per juta karakter dengan tarif peluncuran $10.00, diskon 80%, hingga 2026-11-12. Dan dokumentasi pengembang Fish Audio menagih dalam satuan ketiga yang sama sekali berbeda: per juta byte UTF-8, dengan drama-3 seharga $50.00, s2.1-pro seharga $15.00, dan tarif peluncuran $10.00 hingga 2026-11-12 09:00 PT. Bahasa Inggris hampir mendekati satu byte per karakter, sehingga angka byte dan karakter kurang lebih dapat dipertukarkan untuk teks bahasa Inggris dan berbeda tajam untuk aksara yang membutuhkan lebih dari satu byte per glif.

Angka $15.00 di papan peringkat patut ditinjau ulang, bukan diabaikan begitu saja, karena itu persis tarif daftar s2.1-pro, model Fish Audio sebelumnya, dan bukan tarif model yang sedang dinilai. Entah papan itu mencatat angka campuran atau angka yang terbawa, atau papan itu memberi harga model pada tarif yang tidak dipublikasikan Fish Audio untuknya. Angka yang perlu dijadikan dasar anggaran adalah angka dalam tabel harga Fish Audio sendiri: $50.00 per juta byte UTF-8 pada tarif daftar, yang menurut dokumentasi penyedia setara dengan sekitar 180.000 kata bahasa Inggris, atau kira-kira dua belas jam ucapan — sebut saja $4.17 per jam audio akhir. Diskon peluncuran yang berakhir dalam dua minggu bukanlah kartu tarif; dengan $10.00, dua belas jam yang sama biayanya sekitar $0.83.

Lisensi: bobot terbuka, bukan sumber terbuka, dan satu klausul yang sangat menentukan

Bobot model dipublikasikan di bawah Fish Audio Community License v1.0. Penggunaan untuk riset dan non-komersial gratis. Penggunaan komersial gratis jika Anda dan afiliasi Anda tetap berada di bawah pendapatan tahunan US$500.000; di atas itu, atau jika Anda ingin menawarkan Drama 3 sebagai layanan text-to-speech, kloning suara, atau inferensi, Anda memerlukan lisensi terpisah dari Fish Audio. Lisensi ini juga melarang kloning suara orang nyata tanpa persetujuan, dan FAQ Fish Audio menganggap "membuat audio jadi untuk klien" sebagai diizinkan, yang merupakan klausul penting bagi agensi dan rumah pascaproduksi. S2 tetap berada di bawah Research License yang lebih ketat, sehingga kedua generasi tersebut tidak dapat dipertukarkan dalam penerapan komersial.

Artificial Analysis mencantumkan model tersebut sebagai open weights tanpa hak penggunaan komersial penuh. Itu adalah deskripsi yang jujur: Anda dapat mengunduh dan menjalankannya, tetapi belum tentu dapat menjual akses ke model tersebut. Siapa pun yang berencana membangun produk berhosting di atas bobot ini sebaiknya membaca klausul layanan sebelum membangun halaman penagihan, bukan sesudahnya.

Di mana hal ini menempatkan pipeline produksi

Alasan hasil dua arena itu layak jadi tulisan, bukan sekadar catatan kaki, adalah karena hal itu mengubah asumsi yang bisa dipegang sebuah tim. Enam belas hari lalu, pernyataan yang bisa dipertahankan adalah bahwa sebuah model open-weight telah masuk sepuluh besar papan preferensi dan mengklaim keunggulan pelafalan berdasarkan evaluasinya sendiri. Kini putusan independennya lebih sempit tetapi lebih kuat: model itu adalah model open-weight terbaik di kedua arena, ia berbagi posisi pertama dalam pelafalan, bukan meraih posisi pertama secara mutlak, dan ia melakukannya pada tingkat mid-tier dengan bobot yang dapat diunduh siapa saja.

Drama 3 bukan salah satu model di OrcaRouter. Model ini diakses melalui API milik Fish Audio sendiri dan beberapa platform pihak ketiga, dan tulisan yang berpura-pura sebaliknya akan membohongi Anda tentang satu hal yang menjadi tujuan blog ini. Yang kami lakukan adalah separuh masalah lainnya: ~200 model di balik satu kunci dengan harga daftar penyedia tanpa markup, failover otomatis, DSL routing dan fusi model adalah cara sebuah pipeline yang sudah memanggil vendor lain menyerap model seperti ini tanpa kontrak kedua dan SDK kedua. Jika Drama 3 menjadi suara narasi pada antrean render dan antrean tersebut memiliki tenggat waktu, nilai dari merutekan semua hal lain melalui satu endpoint adalah bahwa jalur percobaan ulang sudah tersedia.

Hal yang perlu dipantau selama dua minggu ke depan, menurut seberapa besar hal itu akan mengubah gambaran: apakah selisih 22 poin antara dua catatan Drama 3 menutup atau melebar seiring lebih banyak suara masuk ke entri ritel; apakah Ming-3.0-tts akan memimpin dalam pengucapan setelah skor nama diri peringkat ke-21nya diukur ulang dengan jumlah span yang lebih besar; dan apakah ada pihak di luar Fish Audio yang mereproduksi angka 271 frame per detik pada perangkat keras yang bukan H200. Angka arena sudah cukup mapan untuk dikutip. Angka throughput masih merupakan klaim vendor, dan lisensi masih menjadi hal yang paling mungkin menentukan apakah sebuah tim dapat menggunakannya sama sekali.