Fish Audio Drama 3 vs Breeze TTS 2: Perbandingan Bobot Terbuka yang Berakhir pada Angka VRAM

Fish Audio Drama 3 dan Breeze TTS 2 adalah dua model teks-ke-ucapan open-weight dengan peringkat tertinggi di Provider Voice Arena milik Artificial Analysis, terpaut 50 Elo, dan keduanya sebenarnya tidak bersaing untuk deployment yang sama. Drama 3 adalah model mixture-of-experts 35 miliar parameter yang membutuhkan satu kartu 48 GB. Breeze TTS 2, dari BreezeBlue, adalah model dense 3 miliar parameter dengan kode inferensi PyTorch yang dipublikasikan. Perbedaan ukuran itu menentukan lebih banyak pertanyaan pembelian daripada selisih Elo, karena model yang tidak dapat Anda jalankan bukanlah model yang dapat Anda evaluasi — dan kedua lisensinya pun bergerak ke arah berlawanan di atas semua itu.

Label yang sama, dua jenis bobot terbuka yang berbeda

Kedua entri menampilkan tautan bobot di papan, dan keduanya akan digambarkan dalam siaran pers sebagai terbuka. Keduanya bukan sumber terbuka, dan pembatasannya tidak berbentuk sama.

Bobot Breeze TTS 2 diunggah ke Hugging Face pada 2026-08-25 sebagai BreezeBlue/Breeze-TTS-2, bersama kode inferensi PyTorch, dengan lisensi riset dan non-komersial. Itu menjadi penghalang mutlak untuk penerapan komersial tanpa pengaturan terpisah, dan hal itu belum berubah sejak saat itu. Perusahaan mengumumkan model tersebut pada 2026-08-16 dan 2026-08-17 sebagai model suara waktu nyata untuk media interaktif, membuka API yang dihosting dengan tarif $34 per juta karakter, dan menerbitkan bobotnya sembilan hari kemudian. BreezeBlue didirikan oleh Yang Bin, salah satu pendiri teknis MiniMax sebelumnya, melalui putaran pendanaan awal senilai $6 juta yang dipimpin oleh Yuanjing Capital dan Redpoint China.

Fish Audio Drama 3 dirilis di bawah Fish Audio Community License v1.0, yang secara substansial lebih permisif pada aspek yang paling diperhatikan banyak tim: penggunaan komersial gratis jika pendapatan tahunan Anda dan afiliasi Anda di bawah US$500.000, dan FAQ menganggap produksi audio final untuk klien sebagai hal yang diperbolehkan. Di atas ambang tersebut, atau jika Anda ingin menghosting Drama 3 sebagai layanan text-to-speech, kloning suara, atau inferensi, Anda memerlukan lisensi dari Fish Audio. Lisensi tersebut juga melarang kloning suara orang nyata tanpa persetujuan. S2 — pendahulunya — tetap tunduk pada Research License yang lebih ketat, sehingga kedua generasi Fish Audio tidak dapat diperlakukan sebagai satu kategori hukum yang sama.

Secara praktis: Breeze TTS 2 adalah model yang lebih mudah untuk dieksperimenkan dan lebih sulit untuk dikomersialkan; Drama 3 sebaliknya. Jika evaluasi Anda adalah demo riset atau alat internal, lisensi Breeze tidak menghalangi Anda dan ukurannya yang 3B membuat eksperimen menjadi murah. Jika evaluasi Anda berujung pada produk, ketentuan Fish Audio-lah yang akan ditandatangani pengacara tanpa negosiasi.

Satu detail pada kartu model Breeze patut diperhatikan karena sekarang sudah tidak akurat. Bagian pengantar kartu tersebut masih menyatakan bahwa model itu "menempati peringkat #1 di antara model open-weight pada papan peringkat TTS Artificial Analysis". Itu benar ketika ditulis; papan peringkat saat ini menempatkan Breeze TTS 2 di peringkat ketiga belas untuk suara penyedia dan kedua puluh delapan untuk suara terkontrol, di belakang kedua entri Fish Audio. Kartu model lebih cepat usang daripada papan peringkat, dan pembaca yang hanya memeriksa kartu akan mendapatkan peringkat yang salah.

Angka-angka arena, dan mengapa kesenjangan suara terkendali lebih besar.

Dibaca dari Artificial Analysis pada 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 di peringkat 6 dengan Elo 1.278 dan $15,00 per juta karakter yang tercatat di papan; Breeze TTS 2 di peringkat 13 dengan 1.228 dan $34,00. Selisih 50 poin, dengan model-model yang berperingkat di antara keduanya semuanya merupakan sistem tertutup.

{{1}}Controlled Voice Arena{{/1}} — {{2}}Fish Audio Drama 3{{/2}} di peringkat 12 dengan 1.085; {{3}}Breeze TTS 2{{/3}} di peringkat 28 dengan 1.021. Selisih 64 poin, dan ini adalah papan peringkat tempat setiap model dinilai berdasarkan suara referensi tetap yang sama, bukan berdasarkan suara yang dirancang oleh vendornya sendiri.

• Arah pelebaran — keunggulan Drama 3 bertambah 14 poin saat Anda mengeluarkan katalog suara milik vendor itu dari perbandingan. Itu angka paling berguna dalam pertandingan ini, karena menunjukkan bahwa keunggulan Fish Audio bukanlah artefak dari sebagus apa pun suara stoknya.

Lima puluh atau enam puluh empat Elo adalah perbedaan yang nyata dalam uji preferensi buta, dan itu bukan perbedaan yang bertahan saat menjadi satu-satunya model dalam perbandingan. Keduanya jauh di bawah garis depan model tertutup: Eleven v4 Turbo memimpin papan penyedia dengan 1.336 dan HeyGen Voice memimpin papan terkontrol dengan 1.193. Yang ditawarkan pasangan bobot terbuka ini adalah batas bawah yang dapat di-host sendiri, bukan garis depan.

Apa yang sebenarnya dibutuhkan masing-masing untuk berjalan

Di sinilah perbandingan berhenti menjadi abstrak.

• Drama 3 — total 35B parameter, sekitar 3B aktif per token, 8 dari 256 expert yang dirutekan ditambah satu expert bersama. Bobotnya sekitar 40 GB di seluruh set shard ditambah file codec terpisah, dan inferensi FP8 membutuhkan sekitar 48 GB VRAM. Fish Audio tidak mendokumentasikan jalur CPU, Apple Silicon, maupun ROCm. Pada satu H200, vendor melaporkan 271 frame per detik dibandingkan 177 untuk S2, yang merupakan manfaat dari arsitektur sparse; angka tersebut dilaporkan vendor dan belum direproduksi di luar Fish Audio.

• Breeze TTS 2 — 3B parameter dense. Checkpoint BF16 berukuran sekitar 6 GB, sehingga nyaman dimuat pada kartu 24 GB dan kemungkinan juga pada kartu yang lebih kecil dengan kuantisasi. Kode inferensi tersedia di repositori, bukan hanya tersirat. Tidak ada angka latensi terbitan pada tingkat stream tunggal, tetapi model ini dirancang dan dijual untuk media interaktif real-time, yang merupakan kebutuhan berbeda dari narasi fidelitas tinggi.

• Tokenizer — Drama 3 mempertahankan pengaturan Descript Audio Codec dari S2: 44,1 kHz, sepuluh codebook, sekitar 21,5 frame per detik, sepenuhnya kausal. Tokenizer Breeze TTS 2 bukanlah hal yang dapat saya kutip dari sumber primer, dan perbandingan yang mengarang tokenizer semacam itu akan menjadi presisi palsu.

Konsekuensinya gamblang. Tim dengan empat kartu 24 GB dapat menjalankan Breeze TTS 2 hari ini dan tidak dapat menjalankan Drama 3 tanpa trik sharding yang tidak didokumentasikan Fish Audio. Tim dengan satu kartu kelas H200 harus memilih antara model yang cocok dengan perangkat kerasnya dan model yang 50 Elo lebih baik. Tidak ada satu pun dari keduanya yang merupakan jawaban salah; keduanya adalah jawaban atas pertanyaan yang berbeda.

Biaya pada volume, dalam unit yang sebenarnya ditagihkan oleh Fish Audio

Dokumentasi Fish Audio menetapkan harga per juta byte UTF-8, bukan per karakter, yang mengubah perhitungan bagi siapa pun yang tidak menulis dalam bahasa Inggris. Satu juta byte UTF-8, menurut dokumentasi yang sama, kira-kira setara dengan 180.000 kata bahasa Inggris atau dua belas jam ucapan. Drama 3 dipatok pada $50.00 per juta byte — sekitar $4.17 per jam audio jadi — dengan tarif peluncuran $10.00, sekitar $0.83 per jam, hingga 2026-11-12 09:00 PT. Breeze TTS 2 adalah $34.00 per juta karakter, dan dengan konversi kasar yang sama, itu sekitar $2.83 per jam.

Jadi peringkatnya berbalik tergantung pada hari Anda membeli. Selama promosi, Drama 3 kira-kira sepertiga dari biaya per jam Breeze TTS 2. Setelah 2026-11-12, Drama 3 dengan harga daftar kira-kira 47% lebih mahal per jam daripada Breeze — sekaligus 50 hingga 64 Elo lebih baik di arena dan secara signifikan lebih baik dalam pelafalan. Dan untuk teks CJK atau Sirilik, penagihan berbasis byte mendorong Drama 3 lebih tinggi lagi: karakter tiga byte dikenakan biaya tiga kali lipat dibandingkan karakter bahasa Inggris dalam tabel tersebut, sedangkan vendor yang menagih per karakter mengenakan biaya yang sama untuk keduanya.

Dua detail penagihan dari dokumentasi yang sama layak dimasukkan ke model anggaran, karena keduanya diam-diam membuat pengeluaran riil membengkak. Batas laju berlaku pada permintaan bersamaan, bukan permintaan per detik — 5 bersamaan pada tier starter, 15 jika sudah membayar $100, 50 dari $1.000 — dan permintaan yang melebihi batas mengembalikan 429 tanpa header retry-after, sehingga renderer paralel yang naif harus menerapkan backoff sendiri. Dan permintaan yang menyebut id model yang tidak ada atau tidak cocok persis akan dilayani dan ditagih sebagai model default, yang di sisi TTS berarti header Drama 3 yang salah eja selama promo dapat menagih Anda dengan tarif S2.1 Pro alih-alih tarif diskon.

Menempatkan keduanya dalam satu pipeline

Baik Fish Audio Drama 3 maupun Breeze TTS 2 bukan merupakan salah satu model di OrcaRouter. Masing-masing diakses melalui API milik vendornya sendiri dan, dalam kasus Fish Audio, melalui platform pihak ketiga, dan versi jujur dari bagian ini menyatakan hal tersebut alih-alih menyiratkan rute yang tidak kami miliki.

Lapisan orkestrasi adalah pertanyaan terpisah, dan di situlah pemisahan dua model membuktikan manfaatnya. Studio kecil yang ingin Drama 3 untuk narasi dan Breeze TTS 2 untuk prompt UI real-time menjalankan dua SDK, dua tabel tarif, dan dua mode kegagalan terhadap satu tenggat. Merutekan sisa stack melalui satu endpoint dengan harga daftar penyedia tanpa markup, dengan failover otomatis antar upstream, berarti pilihan vendor TTS menjadi satu baris dalam config alih-alih kontrak kedua — dan DSL routing dapat menyusun panggilan model dengan langkah audio alih-alih menggabungkannya secara manual dalam kode aplikasi.

Jika Anda memilih salah satunya hari ini dan perangkat kerasnya sudah dibeli, keputusannya hampir sudah ditentukan bagi Anda: 48 GB VRAM adalah pos anggaran yang berbeda dari 6 GB, dan lisensi khusus penelitian Breeze adalah tinjauan hukum yang berbeda dari lisensi komunitas dengan batas pendapatan milik Drama 3. Jika Anda memilih salah satunya untuk kualitas dalam kelas open-weights, jawabannya adalah Drama 3 di kedua arena dan pada pelafalan, dan argumen harga hanya berlaku selama dua minggu ke depan.