Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: Google Kini yang Murah, dan Itu Membalik Argumen yang Biasanya

Hitung biaya keduanya per menit audio jadi, dan perbandingannya tak lagi menyerupai perbandingan yang dibuat pasar sepanjang tahun ini. Google Gemini 3.8 Flash TTS menagih $9.00 per juta token audio, dan audio dihasilkan pada 25 token per detik — sedikit di atas dua perseratus sen per detik, atau sekitar $0.81 per jam ucapan. Fish Audio Drama 3 tercantum seharga $50.00 per juta byte UTF-8, yang menurut dokumentasi vendor sendiri setara dengan sekitar dua belas jam ucapan: sekitar $4.17 per jam pada harga tercantum, dan $0.83 per jam selama promosi peluncuran yang berakhir pada 2026-11-12. Jadi model ucapan unggulan Google lima kali lebih murah daripada penantang berbobot terbuka setelah diskon berakhir, dan harganya kurang lebih sama selama promosi masih berlaku. Kerangka biasa — model terbuka yang lincah memangkas harga hyperscaler — justru terbalik di sini, dan memahami sebabnya adalah inti dari keputusan ini.

Perhitungan aritmetikanya, dengan cukup rinci untuk diperiksa.

Unit Google adalah token, bukan karakter, itulah sebabnya angka-angka utama tampak biasa saja dibandingkan vendor yang menetapkan harga per karakter teks. Gemini 3.8 Flash TTS menghasilkan audio dengan 25 token per detik ucapan pada $9,00 per juta token hingga akhir 2026, dan model yang digantikannya — Gemini 3.1 Flash TTS Preview — dihargai $20,00 untuk juta token keluaran yang sama. Gemini 3.8 Flash-Lite TTS, yang dirilis bersamaan pada 2026-09-23, memiliki daftar bahasa yang lebih pendek dan tarif yang lebih rendah lagi, dan Artificial Analysis mencatatnya pada $11,00 per juta karakter untuk keperluan perbandingan.

Unit Fish Audio adalah byte, bukan karakter, dan dokumentasinya menyatakan konversinya secara gamblang: satu juta byte UTF-8 kira-kira 180.000 kata bahasa Inggris, atau sekitar dua belas jam ucapan. Dengan $50,00 per juta byte, itu $4,17 per jam sebelum biaya tambahan apa pun. Dengan harga promosi $10,00, itu $0,83. Tanda kurung arahan ditagih sebagai teks masukan, sehingga skrip dengan arahan yang berat biayanya 10–25% lebih tinggi daripada yang disiratkan oleh jumlah katanya — dan dalam perbandingan ini setiap tanda kurung ditagih, karena seluruh desain Drama 3 adalah bahwa Anda menuliskan performanya ke dalam skrip.

• Harga daftar, per jam ucapan — Gemini 3.8 Flash TTS sekitar $0,81; Drama 3 sekitar $4,17.

• Harga promosi, per jam — Gemini 3.8 Flash TTS sekitar $0.81; Drama 3 sekitar $0.83. Praktis seri.

• Unit — token per detik keluaran di sisi Google; byte UTF-8 masukan di sisi Fish Audio. Keduanya adalah unit yang jujur. Keduanya bukan unit yang sama, dan perbandingan "per juta X" apa pun yang mencampurnya tanpa konversi adalah noise.

• Baris tersembunyi — permintaan Drama 3 yang header modelnya hilang atau salah eja tidak gagal, melainkan beralih ke s2.1-pro dan menagih $15,00 per juta byte, yang merupakan biaya tambahan 50% di atas tarif promosi hanya karena kesalahan ketik.

Apa yang sebenarnya dibeli dengan harga Google

Menjadi lebih murah per jam hanya menarik jika outputnya dapat digunakan, dan angka-angka independen mengatakan demikian, dengan bentuk yang spesifik. Artificial Analysis menempatkan Google Gemini 3.8 Flash TTS di posisi kelima pada Provider Voice Arena dengan Elo 1,283 dan $16.50 yang tercatat di papan peringkat — di atas 1,278 milik Fish Audio Drama 3 — serta di posisi kedua puluh empat pada Controlled Voice Arena dengan 1,053, di bawah 1,085 milik Drama 3. Perpecahan itu menggambarkan model ini dalam satu baris: ia terdengar sangat baik saat suara Google sendiri yang digunakan, tetapi turun ke tengah papan peringkat ketika setiap model dinilai dengan suara referensi yang sama.

Papan skor pengucapan juga menunjukkan gambaran yang tak kalah sempit. Gemini 3.8 Flash TTS memimpin seluruh 31 model yang dinilai pada kategori yang sesuai konteks dengan 98,0%, dan Drama 3 berada pada 95,3%. Ini bukan titik lemah model tersebut. Titik lemah Google dalam perbandingan ini adalah kontrol: Gemini menyertakan 30 suara studio siap pakai — termasuk Kore dan Puck — dengan set lengkap 130 bahasa dan deteksi bahasa otomatis, serta pustaka suara yang dalam dokumentasi disebut "ratusan" di Extended Voice Library, sementara halaman pemasaran menyebut 2.000 lebih. Angka-angka tersebut belum pernah diselaraskan dari luar, dan jika suara tertentu menjadi penopang bagi produk Anda, menguji suara tersebut adalah satu-satunya jawaban yang dapat diberikan siapa pun kepada Anda dengan jujur.

Tiga puluh suara yang bisa digunakan tanpa kloning memang cukup untuk bot dukungan, narator produk, atau aplikasi pembelajaran bahasa. Namun itu tidak cukup untuk alur produksi drama, gim dengan dua belas karakter yang perlu dipilih pengisi suaranya, atau pekerjaan klien apa pun yang hasil akhirnya adalah suara. Itulah celah yang diisi Fish Audio, dan celah itu bersifat mendasar, bukan sekadar kuantitatif.

Apa yang diberikan oleh bobot terbuka, dan berapa biaya yang harus Anda keluarkan untuk menjalankannya

Fish Audio Drama 3 adalah mixture-of-experts dengan 35 miliar parameter dan sekitar 3 miliar parameter aktif per token, diinisialisasi dari Qwen3.5-35B-A3B, 8 dari 256 routed expert ditambah satu shared, empat puluh lapisan dalam blok tiga lapisan Gated DeltaNet dan satu lapisan gated full-attention. Bobotnya diterbitkan di Hugging Face sebagai fishaudio/drama-3 — sekitar 40 GB dalam satu set shard ditambah file codec terpisah — dan inferensi FP8 membutuhkan sekitar 48 GB VRAM tanpa jalur CPU atau ROCm yang terdokumentasi. Serving dilakukan melalui SGLang-Omni, dan vendor melaporkan 271 frame per detik pada satu H200 dibandingkan 177 untuk S2.

Lini perangkat keras itulah pertukaran yang sebenarnya. Harga Google sebesar $0,81 per jam tidak mencakup belanja modal maupun operasional; satu-satunya biaya tetap Anda adalah permintaan. Tarif promosi Drama 3 sebesar $0,83 per jam adalah tarif API, dan menjalankannya sendiri mengubahnya menjadi GPU 48 GB, tumpukan penyajian, dan seseorang yang memilikinya. Untuk katalog berisi empat puluh jam audio per bulan, API jelas lebih murah. Untuk beberapa ribu jam, atau untuk apa pun yang harus berjalan tanpa pihak ketiga dalam alurnya, bobotnya mengubah argumen sepenuhnya — dan itulah satu hal yang tidak dijual Google dengan harga berapa pun.

Lisensi juga penting di sini, karena inilah yang membedakan "open weights" dari "free". Drama 3 diterbitkan di bawah Fish Audio Community License v1.0: gratis untuk penelitian dan penggunaan nonkomersial, gratis secara komersial di bawah pendapatan tahunan US$500.000 bagi Anda dan afiliasi Anda, dengan lisensi terpisah yang diperlukan di atas ambang tersebut atau untuk menawarkan Drama 3 sendiri sebagai layanan suara atau kloning yang dihosting. Artificial Analysis menandainya sebagai open weights tanpa hak penggunaan komersial penuh. Ketentuan Google adalah ketentuan API biasa, yang merupakan rangkaian pertanyaan berbeda — penanganan data, bukan redistribusi.

Bahasa, dan angka yang tidak sehebat kelihatannya

Google mengklaim 130 bahasa dengan deteksi otomatis dari teks. Fish Audio mengklaim 83 bahasa, dengan kemampuan yang jauh lebih tidak biasa: arahan dapat ditulis dalam bahasa apa pun dan tidak harus sama dengan bahasa naskah, serta ada tag pengalih bahasa yang terdokumentasi yang mengubah satu frasa ke bahasa lain di tengah baris — ditandai eksperimental. Itu produk yang berbeda. Angka Google berkaitan dengan berapa banyak pasar yang dapat Anda masuki dengan satu integrasi. Angka Fish Audio berkaitan dengan seberapa presisi satu baris dapat diproduksi, oleh sutradara yang mungkin tidak menggunakan bahasa yang sama dengan naskah.

Bagi tim yang merilis produk terlokalisasi, 130 mengalahkan 83 dan deteksi otomatis merupakan penghematan operasional yang nyata — tanpa perutean per bahasa, tanpa pemilihan suara per bahasa. Bagi tim yang memproduksi konten dalam satu atau dua bahasa untuk audiens yang peka, 83 bukanlah batasan dan kemampuan untuk memberikan arahan dalam bahasa apa pun adalah yang lebih berharga dari kedua fitur tersebut. Tidak satu pun dari kedua angka itu yang harus dibaca sebagai posisi di tabel liga; jumlah bahasa yang diklaim suatu model tidak pernah berkorelasi baik dengan seberapa baik model itu dalam bahasa yang Anda butuhkan.

Di mana masing-masing berada dalam tumpukan yang dirutekan

Ini adalah salah satu dari sedikit artikel dalam seri ini di mana tidak sepenuhnya jujur untuk menutupi-nutupi sisi penyedianya: OrcaRouter merutekan model-model ucapan Gemini Google yang lebih lama — google/gemini-3.1-flash-tts-preview dan google/gemini-2.5-flash-preview-tts keduanya ada dalam katalog saat ini — tetapi tidak untuk Google Gemini 3.8 Flash TTS, dan tidak untuk Fish Audio Drama 3. Model-model TTS Gemini yang lebih lama itu tersedia melalui kami dengan harga daftar Google tanpa markup; kedua model yang sebenarnya menjadi topik artikel ini diakses melalui API milik vendor masing-masing dan, dalam kasus Fish Audio, melalui platform pihak ketiga.

Konsekuensi bergunanya adalah sebagian besar tagihan speech Google sudah dapat berada di balik satu kunci, dan lapisan failover itulah yang membuat perbandingan murah untuk dijalankan: letakkan canary Drama 3 di samping panggilan Gemini 3.8 Flash TTS, arahkan jalur produksi ke mana pun yang lolos uji penerimaan Anda, dan pilihan per segmen berada di DSL routing alih-alih di dua SDK. Fusi model adalah opsi lain yang muncul dari ini — panel yang merender baris yang sama melalui keduanya dan memilih berdasarkan aturan yang Anda tetapkan, yang untuk narasi berarti Anda dapat mempertahankan pelafalan Drama 3 pada baris dengan kode dan pembacaan konteks Google pada prosa.

Keputusannya, dinyatakan terus terang: untuk bahasa Inggris bervolume tinggi tanpa cloning dan tanpa minat pada infrastruktur, Gemini 3.8 Flash TTS dengan $0.81 per jam adalah model yang lebih murah dan terdengar lebih baik pada suara penyedia, dan argumen untuk Drama 3 tidak bertahan saat berhadapan dengan daftar harga. Untuk apa pun yang membutuhkan suara kustom atau suara casting, arahan per kata, kontrol fonem, atau kemampuan berjalan tanpa pihak ketiga, Drama 3 adalah satu-satunya dari keduanya yang mampu melakukan pekerjaan itu. Pada harga daftar, biayanya lima kali lipat tarif per jam Google, dan selama promosi biayanya sama, sehingga dua minggu ke depan menjadi jendela termurah yang akan didapat siapa pun untuk mengetahui apakah keunggulan pelafalan itu layak dijadikan pijakan.