Fish Audio Drama 3 vs Inworld Realtime TTS-2: Satu Membaca Naskah, yang Lain Mengikuti Percakapan

Kata "Realtime" dalam Inworld Realtime TTS-2 merupakan klaim latensi, bukan deskripsi tentang apa yang dilakukan model tersebut. Produk speech-to-speech Inworld untuk percakapan langsung adalah item terpisah di halaman harga tersendiri; Realtime TTS-2 adalah model text-to-speech yang cukup cepat untuk penggunaan interaktif. Perbedaan itu penting begitu Anda membandingkannya dengan Fish Audio Drama 3, yang dirancang untuk tugas yang berlawanan — model berparameter 35 miliar yang seluruh desainnya adalah agar Anda menuliskan arahan panggung ke dalam naskah sebelum satu baris pun diucapkan. Jika keduanya disandingkan di Artificial Analysis, pemisahannya terbilang sangat jelas: Drama 3 memimpin Provider Voice Arena dengan selisih 11 poin, dan Inworld memimpin Controlled Voice Arena dengan selisih 61 poin. Arah selisih tersebut lebih banyak menjelaskan untuk apa masing-masing model dibuat dibandingkan angka mana pun secara sendiri.

Dua produk yang tidak pernah menargetkan hal yang sama

Inworld Realtime TTS-2 dimulai sebagai pratinjau riset pada 2026-05-05 dan mencapai ketersediaan umum pada 2026-09-02. Klaim utama saat GA bukanlah fidelitas: melainkan bahwa model mengambil giliran-giliran sebelumnya dalam percakapan, sebagai audio, dan menalar nada serta tempo sebelum memutuskan bagaimana kalimat berikutnya seharusnya terdengar. Itu adalah fitur agen percakapan. Bot dukungan yang baru saja mendengar pelanggan yang frustrasi tidak memerlukan arahan panggung — bot itu perlu menyimpulkan arahan tersebut dari apa yang baru saja dikatakan.

Fish Audio Drama 3, yang diterbitkan pada 2026-10-13, mengambil arah sebaliknya. Setiap kemampuan yang diiklankannya berkaitan dengan kepengarangan eksplisit: arahan dalam tanda kurung siku sebelum frasa yang diaturnya, peristiwa suara dan jeda yang ditempatkan di tengah baris, tag berpasangan yang hanya mengubah kata yang dibungkusnya (berbisik, penekanan, lembut, cepat, lambat, tekanan, bertenaga), penyematan fonem untuk pengucapan, tag pergantian bahasa untuk satu frasa, arahan yang ditulis dalam bahasa berbeda dari naskah, dan dialog multi-penutur dalam satu permintaan melalui larik reference_id dengan tag penutur per giliran. Tidak ada satu pun dalam daftar itu yang dapat disimpulkan dari konteks. Semuanya adalah sesuatu yang diketik oleh penulis.

Jadi perumusan yang jujur bukanlah "mana yang lebih baik", melainkan "kegagalan mana yang tidak dapat Anda toleransi". Pipeline drama yang harus merender adegan dua belas karakter dengan kesinambungan emosional tidak akan mencapainya pada model yang dirancang untuk menyimpulkan nada dari riwayat obrolan. Agen suara yang harus menjawab dalam waktu kurang dari satu detik tidak akan mencapainya pada model yang membutuhkan arahan panggung dan VRAM 48 GB. Irisan tempat keduanya benar-benar layak itu sempit: narasi berskrip berkualitas tinggi yang dikirim melalui API untuk konten interaktif — pratinjau buku audio, bark NPC yang telah dirender sebelumnya, VO pemasaran yang harus dibuat ulang sesuai jadwal.

Papan-papan itu, dibaca dalam urutan yang benar

Kedua angka di bawah ini diambil dari Artificial Analysis pada 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 berada di peringkat 6 dengan 1.278 dan biaya $15,00 per juta karakter yang tercatat di papan; Inworld Realtime TTS-2 berada di peringkat 8 dengan 1.267 dan $20,80. Inworld Realtime TTS-2 Flash berada di peringkat 19 pada papan terkontrol dengan 1.065.

• Controlled Voice Arena — Fish Audio Drama 3 berada di peringkat 12 dengan 1.085; Inworld Realtime TTS-2 di peringkat 7 dengan 1.146. Di sini Inworld unggul 61 poin.

• Asimetri — keunggulan penyedia 11 poin milik Drama 3 menyusut dan berbalik begitu perbandingan dijalankan pada suara referensi yang identik alih-alih pada katalog masing-masing vendor. Keunggulannya sebagian besar adalah keunggulan di antara suara yang dirilis Fish Audio; keunggulan Inworld tidak demikian.

• Asimetri lainnya — dua entri Inworld berada di dua sisi papan peringkat, model unggulan di 1.146 dan Flash di 1.065, dengan selisih 81 poin antara tier dalam keluarga yang sama. Drama 3 tidak memiliki tier di bawahnya; Anda memakai model 35B itu atau menggunakan yang lain.

Ini adalah pola yang berlawanan dengan dua papan yang sama di bawah Google Gemini 3.8 Flash TTS, di mana model tertutup menang pada suara penyedia dan kalah pada suara terkontrol. Tidak satu pun dari kedua pola itu adalah derau; keduanya adalah pengingat bahwa satu angka arena menggambarkan bundel model-ditambah-pustaka-suara, dan hanya papan terkontrol yang mengisolasi model.

Kesadaran konteks versus arah, secara konkret

Pengumuman GA untuk Inworld Realtime TTS-2 menjelaskan model yang membaca riwayat percakapan — giliran sebelumnya sebagai audio — dan menggunakannya untuk membentuk tempo serta nada. Itu adalah klaim vendor, bukan kemampuan yang dinilai secara independen, dan arena Artificial Analysis tidak mengujinya; mereka menguji baris tunggal terhadap suara referensi. Jadi fitur yang sebenarnya dijual Inworld adalah fitur yang saat ini tidak diukur oleh tolok ukur publik mana pun. Anggap klaim itu menjanjikan dan belum teruji, lalu ujilah dengan dialog Anda sendiri, bukan dengan papan peringkat.

Kemampuan pengarahan Drama 3 dapat diukur dalam arti sempit karena Anda dapat melihat keluaran berubah saat mengubah tanda kurung, dan Fish Audio mendokumentasikan masing-masingnya dengan audio contoh. Fitur yang tidak tertandingi oleh pesaing mana pun dalam perbandingan ini adalah pengarahan yang tidak bergantung pada bahasa: pengarahan yang ditulis dalam bahasa Mandarin di depan baris bahasa Inggris, didokumentasikan dan didemonstrasikan. Bagi tim pascaproduksi internasional, itu adalah pembuka operasional, bukan sekadar nilai tambah, dan itulah jenis hal yang muncul dalam uji coba dalam waktu satu jam.

Uji praktis bagi tim yang memilih di antara keduanya adalah satu halaman dialog Anda sendiri. Render dengan konteks percakapan Inworld yang disiapkan seperti dalam produksi, dan render dengan Drama 3 serta arahan eksplisit. Mana pun yang menghasilkan lebih sedikit baris yang harus Anda perbaiki manual adalah jawabannya, dan jawabannya akan berbeda untuk agen chat dibandingkan untuk drama radio.

Kloning, latensi, dan angka yang bisa Anda andalkan

Kloning suara instan Inworld menerima 5 hingga 15 detik audio referensi, dan beta kloning profesionalnya membutuhkan sekitar 10 menit audio untuk kloning dengan fidelitas lebih tinggi. Itu adalah angka dari vendor dan cukup spesifik untuk diuji. Kloning Fish Audio berada dalam sistem kredit yang sama dengan generasi, dan Drama 3 menggunakan kredit yang sama dengan S2.1 Pro pada paket langganan — tetapi lisensinya adalah bagian yang berbeda, karena lisensi komunitas Fish Audio secara eksplisit melarang kloning suara orang nyata tanpa persetujuan, sementara ketentuan Inworld adalah ketentuan API biasa.

Latensi adalah area di mana Inworld jelas merupakan alat yang tepat, dan perbandingannya tidak boleh berpura-pura sebaliknya. TTS-2 realtime dan tier Flash-nya dibangun untuk produk interaktif, dengan tier Flash yang harganya 40% lebih rendah dari produk unggulan justru untuk beban kerja yang membutuhkannya. Angka kecepatan yang dipublikasikan Fish Audio untuk Drama 3 adalah 271 frame per detik pada satu H200, dibandingkan 177 untuk S2 — itu angka throughput untuk rendering batch, bukan time-to-first-byte untuk live stream. Jika kebutuhan Anda adalah "suara harus mulai dalam satu giliran percakapan", Anda berada di produk Inworld, dan keunggulan 11 poin Drama 3 sebagai penyedia tidak akan mengubah itu.

Harga, pada tarif yang sebenarnya akan Anda bayar

Inworld Realtime TTS-2 berharga $25,00 per juta karakter secara on-demand, turun menjadi $20,00 pada paket Creator $25, $17,50 pada Builder, $15,00 pada Developer, dan $12,50 pada Growth, dengan Flash $15,00 secara on-demand turun menjadi $7,00 pada Growth. Fish Audio Drama 3 berharga $50,00 per juta byte UTF-8 pada harga daftar dan $10,00 selama promosi peluncuran hingga 2026-11-12 09:00 PT. Untuk naskah bahasa Inggris 100.000 karakter, itu adalah $2,50 pada tarif on-demand Inworld dibandingkan $5,00 untuk Drama 3 pada harga daftar, atau $1,00 selama promosi.

Tiga peringatan seharusnya masuk ke dalam perhitungan itu, bukan ditempatkan di bawahnya. Drama 3 menagih per byte UTF-8, jadi skrip CJK memakan biaya beberapa kali lipat dibandingkan skrip Inggris untuk jumlah karakter yang sama, sedangkan tarif per karakter Inworld tidak berubah. Tanda kurung arahan Drama 3 ditagih sebagai teks masukan, yang merupakan kenaikan 10-25% pada skrip yang sarat arahan — persis skrip yang justru membutuhkan model tersebut. Dan fallback Fish Audio berjalan senyap: permintaan yang header modelnya tidak ada atau tidak cocok persis tetap dilayani dan ditagih sebagai s2.1-pro dengan tarif $15.00 per sejuta byte, bukan ditolak.

Perbandingan yang bertahan terhadap ketiga catatan tersebut lebih singkat daripada yang disiratkan oleh tabel harga. Pada harga daftar, Inworld sekitar setengah dari Drama 3 per karakter bahasa Inggris dan lebih baik daripada Drama 3 dalam hal suara terkontrol. Selama promosi, Drama 3 sepertiga dari harga Inworld. Siapa pun yang memutuskan hanya berdasarkan harga sedang memutuskan tanggal, bukan produk.

Keduanya tidak ada di katalog kami, dan apa dampaknya

Fish Audio Drama 3 dan Inworld Realtime TTS-2 keduanya diakses melalui API vendor masing-masing dan platform pihak ketiga; keduanya bukan salah satu model di OrcaRouter, dan argumen perutean di sini adalah tentang bagian lain dari tumpukan, bukan tentang kedua model ini. Produk suara jarang hanya memanggil satu model ucapan dan tidak memanggil apa pun lagi — ia memanggil LLM untuk teksnya, model ucapan untuk audionya, kadang model ucapan kedua untuk segmen yang berbeda, dan ia punya tenggat waktu. Mengonsolidasikan separuh non-ucapan di balik satu kunci dengan harga daftar penyedia tanpa markup, dengan failover otomatis sehingga satu gangguan dari hulu tidak membuat proses render terhenti, itulah yang membuat pilihan model ucapan menjadi keputusan konfigurasi, bukan keputusan arsitektur.

Yang membuat DSL routing benar-benar berguna dalam kombinasi spesifik ini adalah pipeline campuran: dialog dramatis yang sudah dirender sebelumnya melalui Drama 3 dan giliran percakapan langsung melalui Inworld, yang dialamatkan sebagai dua rute pada satu kunci dengan pilihan ditentukan per segmen. Model fusion menangani kasus ketika Anda tidak dapat memutuskan — render dialog yang sama melalui keduanya, beri skor terhadap referensi, dan pertahankan yang menang. Keduanya bukan cara untuk menghindari harga dari vendor mana pun. Keduanya adalah cara untuk menghindari keharusan memelihara dua integrasi hanya demi menghemat satu baris dalam file konfigurasi.

Bagi pembaca yang harus memilih salah satu: Inworld Realtime TTS-2 jika ucapannya harus bereaksi terhadap percakapan, jika latensi adalah kendala, jika Anda ingin tier Flash untuk menyerap volume, dan jika API tertutup dapat diterima. Fish Audio Drama 3 jika ucapannya ditulis, bukan reaktif, jika pengucapan nama dan kode harus andal, jika arahan harus dituliskan, jika Anda menginginkan bobot modelnya, atau jika brief akan ditulis dalam bahasa selain naskahnya. Keunggulan 11 poin atas penyedia lain adalah angka yang paling tidak penting dalam daftar itu; defisit terkendali 61 poin adalah angka yang perlu Anda bandingkan dengan suara referensi Anda sendiri sebelum berkomitmen.