Fish Audio Drama 3 Preview Memuncaki Open-Weights Speech Arena

Fish Audio Drama 3 Preview adalah model yang diterbitkan Fish Audio pada 13 Oktober 2026, dan pada pagi berikutnya model ini telah menduduki posisi teratas di antara sistem open-weight pada papan peringkat text-to-speech Artificial Analysis. Yang membuat posisi itu layak ditinjau ulang bukanlah puncaknya — melainkan harga yang melekat padanya. Entri ini memiliki tarif daftar $15,00 per juta karakter, sementara setiap model yang berperingkat di dekatnya berbiaya dua hingga lima kali lebih mahal, dan dua model yang tepat berada di atasnya di papan peringkat, ElevenLabs Eleven v4 Turbo dan ElevenLabs Eleven v4, adalah sistem tertutup dengan harga per karakter yang skalanya bergerak ke arah yang salah bagi siapa pun yang memproduksi audio berdurasi panjang.

Di Provider Voice Arena pada papan peringkat, tempat suara milik masing-masing vendor bersaing satu sama lain, Fish Audio Drama 3 Preview berada di peringkat 10 dengan Elo 1.243. Posisinya tertinggal dari pasangan ElevenLabs pada 1.330 dan 1.328, tertinggal dari Cartesia Sonic 3.6 pada 1.286, tertinggal dari Qwen-Audio-3.1-TTS-Plus pada 1.300 dan Qwen-Audio-3.0-TTS-Plus pada 1.268, serta tertinggal dari Gemini 3.8 Flash TTS pada 1.274. Ia berada di depan entri open-weight kedua, Breeze TTS 2, yang berada pada 1.221 dan berbiaya $34,00 per juta karakter — sedikit lebih dari dua kali tarif Drama 3 Preview. Dari 97 model di papan tersebut, 17 di antaranya adalah open weight, dan preview baru Fish Audio adalah yang berperingkat tertinggi di antaranya.

Bacalah angka itu beserta batang galatnya. Interval yang dilaporkan papan peringkat untuk entri tersebut membentang dari 1.226,8 hingga 1.258,8, sekitar 1.857 perbandingan buta, di 8 suara arena. Terhadap Breeze TTS 2, selisihnya nyaman. Terhadap Speechify Simba 3.2 pada 1.245 dan $6,60, tidak demikian — itu adalah perbedaan 2 poin dengan interval yang tumpang tindih, dan tidak seorang pun seharusnya membuat keputusan pembelian atas dasar itu. Ringkasan yang jujur adalah bahwa Drama 3 Preview menempatkan model berbobot terbuka ke dalam sepuluh besar papan peringkat yang sebelumnya tidak seharusnya ia tempati, dan ia melakukannya dengan harga kelas menengah.

Apa sebenarnya model itu

Fish Audio mendeskripsikan Drama 3 Preview sebagai model mixture-of-experts dengan 35 miliar parameter dengan sekitar 3 miliar parameter aktif per token. Model ini menggunakan tumpukan attention hibrida — Gated DeltaNet yang dikombinasikan dengan gated full attention — yang dipadukan dengan decoder codebook-MTP dan tokenizer berbasis DAC yang berjalan pada 44,1 kHz. Fusi codebook parsial hanya memasukkan dua codebook pertama kembali ke dalam loop. Pelatihan berjalan melalui tiga tahap pra-pelatihan, lalu fine-tuning instruksi, lalu reinforcement learning terhadap satu model reward preferensi manusia tanpa reward shaping berbasis aturan.

Klaim throughput yang menyertainya adalah bagian yang paling akan diperhatikan oleh para praktisi: Fish Audio melaporkan 271 frame per detik pada satu H200, dibandingkan 177 untuk model S2 yang digantikannya, meskipun membawa parameter yang jauh lebih banyak. Ini adalah angka dari vendor, bukan tolok ukur yang terverifikasi, dan akan berubah seiring batching dan panjang sekuens — tetapi arahnya konsisten dengan arsitektur sparse yang melakukan apa yang seharusnya dilakukan arsitektur sparse.

Permukaan API tidak berubah dari endpoint S2.1 Pro. Permintaan dikirim ke POST https://api.fish.audio/v1/tts, dan permintaan yang menghilangkan field model atau menyebutkan nama yang tidak dikenali oleh layanan akan fallback ke s2.1-pro alih-alih menghasilkan error. Fallback itu praktis dan perlu diketahui, karena artinya salah ketik pada nama model menghasilkan audio yang terdengar masuk akal tetapi dengan suara yang salah, bukan error 400.

Kendali penyutradaraan, dialog dalam satu kali pengambilan, dan perbaikan satu kata

Tiga kemampuan membedakan rilis ini dari generasi sebelumnya, dan ketiganya ditujukan untuk pekerjaan produksi berskrip, bukan percakapan langsung.

• Pengarahan dalam bahasa alami. Alih-alih kosakata tag yang tetap, model menerima instruksi deskripsi biasa seperti [gugup, hampir tidak bisa menahan diri] atau [hangat dan santai, seperti berbicara dengan teman lama], dan model dapat mengubah emosi atau penyampaian di tengah kalimat tanpa menghasilkan rekaman baru. Tag inline berpasangan seperti <whisper>…</whisper> dan isyarat seperti [sigh] hanya berlaku untuk teks yang dibungkusnya, sehingga sebuah baris dapat bergeser register di tengah jalan karena dirancang demikian, bukan karena kebetulan.

• Dialog multi-pembicara dalam satu kali proses. Setiap karakter mempertahankan suaranya sendiri di dalam satu generasi, yang menghilangkan langkah penyambungan yang biasanya berada di antara model TTS dan adegan yang sudah jadi. Untuk drama audio dan dialog game, ini adalah perbedaan antara sebuah pipeline dan sebuah proyek riset.

• Inpainting audio. Sebuah segmen dapat dipilih ulang, diberi instruksi baru, dan dibuat ulang sendiri, yang merupakan perbaikan alur kerja untuk satu kata yang salah dilafalkan yang dulu membutuhkan render ulang penuh. Fish Audio mencantumkan pengalaman pengeditan interaktif, alat inpainting, dan API pengeditan sebagai khusus undangan atau segera hadir, jadi kemampuannya sudah ada tetapi antarmuka publiknya belum dibuka secara umum.

Fish Audio juga mengklaim 83 bahasa dengan konsistensi bahasa di seluruh skrip panjang dan pergantian di tengah adegan, kontrol pelafalan tingkat fonem dalam bahasa Inggris, Tionghoa, Jepang, Korea, dan beberapa bahasa lainnya, serta pengkloningan suara bergaya S2 dari klip referensi sekitar 10 hingga 30 detik. Demo peluncurannya menggunakan klon suara Uncle Roger yang menurut perusahaan dibuat dan digunakan dengan izin.

Klaim pengucapan, dan dari mana asalnya

Pengumuman Fish Audio menyatakan bahwa Drama 3 Preview memperoleh skor keseluruhan 93,2% pada papan peringkat Ketahanan Pengucapan Artificial Analysis dan menempati peringkat pertama di sana, di atas ElevenLabs Eleven v4 dan Eleven v4 Turbo. Sub-skor yang dipublikasikannya adalah 95,9% untuk nama, merek, dan istilah teknis, dibandingkan 87,3% untuk Fish Audio S2.1 Pro; 95,3% untuk kata yang bergantung pada konteks, dibandingkan 86,1%; 93,6% untuk angka, tanggal, dan satuan, dibandingkan 92,7%; dan 86,3% untuk kode, jalur, dan alamat email, dibandingkan 79,4%.

Angka-angka itu berasal dari pengumuman Fish Audio sendiri. Ketika saya mencari papan skor untuk membaca skor per model secara langsung, jalur ketahanan pengucapan mengembalikan 404 dan tampilan papan peringkat yang bisa saya muat menampilkan peringkat Elo tanpa angka pengucapan per model yang dapat dikutip. Karena itu, setiap angka dalam paragraf di atas dilaporkan vendor dan harus diberi label seperti itu di dek mana pun yang menggunakannya. Angka Elo di bagian lain artikel ini berbeda: angka itu saya baca langsung dari papan skor, dan angka tersebut membawa interval kepercayaan dari papan skor itu sendiri.

Keluhan mendasar yang dituju oleh klaim ini nyata, terlepas dari angka siapa yang Anda percayai. Pengucapan nama diri, kode produk, dan jalur file adalah mode kegagalan yang membuat tim kembali ke talenta suara manusia, dan itulah hal yang paling lambat diperbaiki oleh sebagian besar vendor TTS karena ini bukan masalah prosodi. Model yang menangani 86,3% kode, jalur, dan email dibandingkan 79,4% pada pendahulunya masih salah sekitar satu dari tujuh kali.

Apa arti "open weights" di bawah lisensi ini

Fish Audio Drama 3 Preview dirilis di bawah Fish Audio Community License v1.0. Baca ketentuannya sebelum Anda membuat rencana berdasarkan ketentuan tersebut. Lisensi ini gratis untuk penelitian dan penggunaan non-komersial, dan gratis untuk penggunaan komersial jika Anda dan afiliasi Anda tetap berada di bawah US$500.000 pendapatan tahunan. Di atas ambang tersebut — atau jika Anda ingin menawarkan model ini sebagai layanan text-to-speech, kloning suara, atau inferensi, terlepas dari ukurannya — Anda memerlukan lisensi dari Fish Audio. Lini S2 tetap berada di bawah Research License yang terpisah. Mengkloning suara orang nyata tanpa persetujuan dilarang sepenuhnya.

Ambang komersialnya dikuatkan secara independen: papan Artificial Analysis menandai entri tersebut sebagai open weights tanpa hak penggunaan komersial, yang konsisten dengan lisensi berbasis pendapatan, bukan lisensi tanpa batasan. Jika Anda studio kecil, open weights di bawah lisensi ini adalah opsi yang sungguh tersedia. Jika Anda platform yang menjual kembali inferensi, ini bukan open weights dalam pengertian yang Anda harapkan.

Harga dan penawaran peluncuran

Harga daftar API adalah $50 per juta karakter, didiskon 80% menjadi $10 per juta karakter dari 13 Oktober hingga 12 November 2026. Kredit Creator setara dengan S2.1 Pro, dan paket Plus, Pro, serta Max yang baru berharga setengah selama periode yang sama. Artificial Analysis mencatat harga papan sebesar $15,00 per juta karakter dalam pengaturan default, yang merupakan angka yang harus digunakan saat membandingkan dengan entri lain di papan tersebut, bukan dengan kartu tarif Fish Audio sendiri.

Jendela promosi adalah bagian yang memiliki tenggat waktu nyata. Dengan $10 per juta karakter, Drama 3 Preview jauh lebih murah daripada hampir semua model kompetitif di papan peringkat dengan selisih yang besar. Pada $50, harganya lebih mahal daripada Cartesia Sonic 3.6 seharga $49 dan jauh di atas Qwen-Audio-3.0-TTS-Plus pada $19,30. Siapa pun yang membangun model biaya berdasarkan tarif diskon harus membangun model kedua berdasarkan tarif daftar dan memeriksa apakah proyek tersebut masih berjalan.

Di mana ini cocok dalam stack produksi

Audio berskrip yang dirender sekali adalah titik optimal: audiobook, drama audio, dialog game dan animasi, serta video pendek. Generasi multi-pembicara dalam sekali jalan dan alur kerja inpainting keduanya ada untuk melayani bentuk pekerjaan itu, dan penetapan harganya per karakter, bukan per menit, sehingga lebih menguntungkan untuk naskah panjang. Pengeditan interaktif dan API pengeditan belum tersedia secara umum, jadi alur kerja yang bergantung padanya adalah alur kerja yang bergantung pada undangan.

Pertanyaan operasional setelah itu adalah perutean, dan itu lebih sulit untuk ucapan daripada untuk teks. Fish Audio Drama 3 Preview bukan salah satu model di OrcaRouter saat ini. Ia diakses melalui API milik vendor sendiri dan beberapa platform pihak ketiga. Hal yang sama berlaku untuk sebagian besar model yang dibandingkan di atas — sepuluh besar papan peringkat ucapan adalah kumpulan endpoint khusus vendor dengan autentikasi khusus vendor, dan masing-masing merupakan integrasi tersendiri dan domain gangguan tersendiri. OrcaRouter memiliki ~200 model di balik satu kunci dengan harga daftar penyedia tanpa markup mencakup pekerjaan teks, visi, dan penalaran, dan failover otomatisnya ada justru untuk kasus ketika endpoint salah satu penyedia menurun di tengah proses. Pola praktis untuk jalur ucapan produksi adalah menjaga vendor ucapan tetap langsung dan menjaga semua yang diorkestrasikannya — peringkasan, tahap penerjemahan, pembangun kamus pengucapan, pengklasifikasi QA — di balik satu endpoint yang dirutekan sehingga failover di sana tidak ikut menjatuhkan pipeline render.

Intinya

Fish Audio Drama 3 Preview adalah hasil nyata, bukan artefak minggu peluncuran: peringkat ke-10 di Provider Voice Arena dengan Elo 1.243, pertama di antara 17 entri bobot terbuka di papan peringkat itu, dengan tarif US$15,00 per juta karakter dibandingkan US$34 untuk model bobot terbuka berikutnya di bawahnya. Kesenjangan ke puncak papan peringkat masih besar dan interval kepercayaan tumpang tindih dengan tetangga terdekatnya, jadi gelar juara bobot terbuka hanyalah posisi awal, bukan keunggulan. Angka pelafalan 93,2% adalah milik vendor sendiri dan tidak dapat dibaca secara independen dari papan peringkat. Lisensinya memiliki batas pendapatan US$500.000 untuk penggunaan komersial yang akan membuat sebagian tim tidak bisa mempertimbangkannya sama sekali. Dan tarif $10 berakhir pada 12 November 2026.

Untuk studio yang memproduksi audio berskrip dalam jumlah besar, kombinasi dari generasi sekali jalan multi-pembicara, inpainting satu kata, dan lisensi open-weights di bawah ambang pendapatan adalah argumen terkuat di sini — lebih kuat daripada posisi papan peringkat yang akan menjadi berita utama.

Pilihan model seperti ini juga merupakan tempat mode kegagalan muncul: insiden AI dan kegagalan agen yang terdokumentasi di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive , di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda diperdebatkan.