Fish Audio Drama 3 vs Ming 3.0 TTS: Keunggulan 91 Poin yang Hilang Saat Suara Dikloning

Fish Audio Drama 3 unggul 91 poin Elo atas Ming 3.0 TTS pada papan peringkat di mana setiap model berbicara dengan rangkaian suaranya sendiri, dan unggul 17 poin pada papan peringkat di mana keduanya diberi delapan referensi hasil kloning yang sama — selisih yang cukup sempit sehingga interval kepercayaan mereka tumpang tindih. Keduanya adalah rilis berbobot terbuka dari enam minggu terakhir, keduanya dinilai oleh Artificial Analysis, dan pada satu tes yang menanyakan kepada manusia apakah kata yang sulit benar-benar diucapkan dengan tepat, keduanya berada di 93,2%. Tiga angka, dua di antaranya mengarah ke arah yang berbeda. Angka mana yang Anda yakini menentukan model mana yang Anda beli, dan jawabannya bergantung pada apakah produk Anda terdengar seperti dirinya sendiri atau terdengar seperti orang lain.

Dua rilis, berjarak enam minggu, dibangun dengan skala yang berlawanan

Drama 3 diumumkan pada 13 Oktober 2026 dan sudah aktif di API Fish Audio sebagai drama-3, dengan bobot di Hugging Face di bawah lisensi komunitas baru. Ming 3.0 TTS hadir lebih senyap dan bertahap: repositori Hugging Face InclusionAI muncul pada 22 September, bobot 0.5B pada 24 September, dan kode inferensi baru pada 19 Oktober — itulah sebabnya Artificial Analysis tidak dapat menilainya hingga 20 Oktober. Ant Group tidak pernah merilis posting peluncuran untuknya, dan tidak memiliki endpoint yang di-hosting maupun harga daftar.

Lembar spesifikasi itu tidak berdekatan, dan itulah hal pertama yang harus dipahami sebelum papan peringkat berarti apa pun.

• Parameter — model mixture of experts 35B dengan sekitar 3B aktif per token, diinisialisasi dari Qwen3.5-35B-A3B dan merutekan 8 dari 256 expert ditambah satu shared expert, dibandingkan dengan model dense 0,5B pada backbone Qwen2.5-0.5B. Ant juga merilis MoE dengan total 7,9B / aktif 1,3B bernama Ming-3.0-tts-tiny, yang sama sekali tidak memiliki skor independen.

• Cakupan bahasa — 83 bahasa diklaim untuk Drama 3, dibandingkan tujuh bahasa untuk checkpoint Ming 0.5B (Tionghoa, Inggris, Jerman, Spanyol, Prancis, Korea, Jepang) plus Sichuan dan Kanton jika Anda menyertakan klip referensi dialek.

• Output — 44,1 kHz dari keduanya, dihasilkan melalui mesin yang sangat berbeda: Drama 3 mempertahankan tokenizer Descript Audio Codec dari pendahulunya pada sepuluh codebook dan sekitar 21,5 frame per detik, sedangkan Ming mendekode latent kontinu melalui AudioVAE.

• Bobot dan lisensi — Drama 3 di bawah Lisensi Komunitas Fish Audio v1.0, gratis untuk pendapatan tahunan di bawah US$500.000 dan dapat dinegosiasikan di atasnya atau jika Anda menjual ulang sintesis sebagai layanan. Ming 3.0 TTS di bawah MIT, tanpa batasan pendapatan sama sekali.

• Harga — US$50 per juta byte UTF-8 pada harga daftar, didiskon menjadi US$10 hingga 12 November 2026, dibandingkan tanpa harga karena tidak ada yang bisa dibeli: Anda mengunduh checkpoint 2,96 GB dan menjalankannya.

Perbedaan skala ini bekerja dua arah. Backbone 35B milik Drama 3-lah yang memungkinkannya mempertahankan arahan di sepanjang skrip panjang dan menempatkan beberapa pembicara dalam satu adegan, dengan satu ID suara per pembicara yang diteruskan sebagai array; itu juga sebabnya tidak ada yang akan menjalankannya di laptop. Ming 0.5B adalah model yang bisa dijalankan di satu GPU sederhana dan di-fine-tune di GPU sewaan.

Mengapa Artificial Analysis memberikan dua jawaban yang berbeda

Papan yang paling sering dikutip orang pertama adalah Provider Voice Arena, dan di sana Drama 3 telah membuka keunggulan nyata. Per 29 Oktober, model itu berada di peringkat keenam dari 100 model dengan Elo 1.278, dengan harga menurut Artificial Analysis sebesar US$15 per juta karakter pada pengaturan defaultnya. Ming 3.0 TTS berada di peringkat kedua puluh empat dengan 1.187, tanpa harga tercatat karena tidak ada endpoint komersial untuk dicatat. Selisih 91 poin pada papan yang interval kepercayaannya berkisar sekitar ±13 hingga ±18 bukanlah noise; suara native Drama 3 lebih disukai, dan jelas begitu. Satu detail dari tabel yang sama menjelaskan sebagian alasannya: Artificial Analysis menilai Ming terhadap tiga suara arena dan Drama 3 terhadap delapan.

Papan kedua mengajukan pertanyaan berbeda, dan keunggulan itu menguap. Controlled Voice Arena memberikan delapan suara hasil kloning yang sama kepada setiap sistem — empat dari AS, empat dari Inggris — sehingga perbandingan bukan lagi soal pengisi suara siapa yang lebih baik, melainkan mulai soal seberapa baik setiap model mengenakan suara orang lain. Di sana Drama 3 memperoleh skor 1,085, peringkat kedua belas dari 49, dengan interval 1,069 hingga 1,101. Ming memperoleh skor 1,068, peringkat ketujuh belas, dengan interval 1,053 hingga 1,083. Interval keduanya berbagi rentang 1,069 hingga 1,083. Itu hasil imbang, dan mengatakan sebaliknya berarti memaksakan presisi pada survei yang tidak memilikinya.

Perhatikan juga bahwa Artificial Analysis masih memuat baris terpisah Drama 3 Preview di papan tersebut pada 1.063, berada di peringkat kedua puluh. Checkpoint produksi dan pratinjau yang dirilis pada September dinilai sebagai dua sistem yang berbeda, sehingga perbandingan yang menyebut "Drama 3" tanpa menyebutkan baris mana yang dimaksud bukanlah perbandingan. Angka kami di sini adalah baris produksi.

Pembacaan praktisnya: jika produk Anda menghadirkan jajaran pengisi suaranya sendiri — narator, agen dukungan, karakter dalam game — keunggulan {{1}}Drama 3{{/1}} memang nyata dan besar. Jika produk Anda mengkloning suara pelanggan atau kreator lalu berbicara dengan suara itu, kedua model tersebut praktis selevel, dan keputusannya beralih ke harga, lisensi, dan cakupan bahasa.

Hasil imbang 93.2% pada pelafalan merupakan empat hasil yang berbeda

Kedua model dicatat pada 93,2% dalam uji ketahanan pelafalan bahasa Inggris Artificial Analysis — hasil yang diterbitkan papan peringkat pada 20 Oktober, yang menempatkan keduanya bersama-sama di posisi pertama dari 31 sistem dan di depan Eleven v4 pada 91,7%. Judul utama itu telah diulang di mana-mana, dan menyembunyikan satu-satunya bagian yang penting secara operasional: kedua model gagal pada jenis teks yang berlawanan.

• Urutan persis — {{1}}Ming{{/1}} mempertahankannya pada 90,6%, pertama dari 31; angka setara {{2}}Drama 3{{/2}} adalah 86,3%. Nomor pesanan, URL, jalur file, dan kode seri bertahan lebih baik pada Ming.

• Ekspansi singkatan — Ming 96,5%, juga peringkat pertama dari 31, dibandingkan dengan 93,6% untuk Drama 3. Tanggal, satuan, dan singkatan diucapkan secara lisan, bukan dieja.

• Istilah mandiri — Drama 3 sebesar 95,9% dibandingkan Ming sebesar 88,5%, dengan Ming berada di peringkat kedua puluh satu dari 31. Nama merek, nama tempat, dan kosakata teknis merupakan kategori terkuat Drama 3.

• Istilah yang sesuai konteks — Drama 3 sebesar 95,3%, Ming sebesar 91,0%, dan peringkat ketiga belas dari 31.

Kelemahan Ming pada nama yang berdiri sendiri sejalan dengan inventaris suaranya: 0.5B hadir dengan lebih dari seratus suara Tionghoa bawaan dan lima suara Inggris, sehingga penanganan nama diri berbahasa Inggrisnya punya lebih sedikit pilihan. Kelemahan Drama 3 adalah kebalikannya — model yang dilatih untuk memberikan penampilan kadang-kadang menyampaikan nomor kode sebagai sebuah penampilan.

Angka 93,2% itu pun bukan berasal dari laporan vendor. Keduanya berasal dari harness independen yang sama, itulah sebabnya keduanya bisa dibandingkan sama sekali — dan perlu dikatakan bahwa hal ini jarang terjadi dalam kategori ini, di mana sebagian besar tabel word-error yang dipublikasikan dijalankan oleh laboratorium dengan prompt mereka sendiri.

Berapa biaya sebenarnya untuk satu juta karakter

Drama 3 menagih berdasarkan ukuran input: US$50 per juta byte UTF-8, diturunkan menjadi US$10 hingga 12 November 2026 pukul 09.00 waktu Pasifik. Lompatan lima kali lipat pada 13 November itu adalah angka tunggal terbesar dalam perbandingan ini, dan itu mengubah peringkat kedua model dalam hal biaya per jam hasil akhir, bergantung pada kapan Anda membacanya.

Ada juga jebakan penagihan yang perlu diketahui sebelum Anda menghubungkan apa pun. Drama 3 mempertahankan endpoint POST /v1/tts yang sama seperti S2.1 Pro, dan jika header model tidak ada atau salah eja, permintaan tersebut diam-diam beralih ke s2.1-pro dan menagih Anda untuk itu. Anda mendapatkan audio yang tampak masuk akal dan tanpa error, jadi salah ketik pada variabel lingkungan dapat berjalan selama berminggu-minggu sebelum ada yang menyadari bahwa suaranya salah.

Ming sama sekali tidak memiliki faktur, dan itu tidak sama dengan gratis. Anda membayar dalam jam GPU dan waktu rekayasa: checkpoint 0.5B berukuran 2.96 GB, membutuhkan VAE audio, encoder speaker CAM++, dan tokenizer yang disambungkan bersama, serta tidak ada komitmen dukungan vendor di baliknya. Ant telah menerbitkan tabel benchmark dan demo Gradio, bukan perjanjian tingkat layanan.

Di sinilah sebuah router benar-benar berguna dan di sinilah ia benar-benar tidak. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, sehingga promosi vendor seperti milik Fish Audio berlaku pada hari yang sama untuk apa pun yang kami rutekan — Drama 3 bukan salah satunya, dan Ming juga bukan. Endpoint ucapan yang kami sediakan saat ini adalah lini TTS Gemini dari Google dan OpenAI's TTS-1-HD, semuanya dapat diakses melalui satu API di balik satu kunci bersama model teks. Jika Anda membandingkan Drama 3 dan Ming, tidak ada lapisan perutean yang akan menghosting salah satu dari keduanya untuk Anda; yang Anda peroleh dengan satu kunci adalah bagian lain dari pipeline di sekitar keduanya.

Lisensi menentukan lebih banyak daripada papan peringkat.

MIT versus Fish Audio Community License v1.0 adalah titik perbedaan paling tajam di antara pasangan ini, dan itu bukan perbedaan filosofis. Ketentuan MIT milik Ming memungkinkan perusahaan mana pun dari ukuran apa pun untuk menyematkan model tersebut ke dalam produk berbayar, menjualnya kembali, melakukan fine-tuning, dan mendistribusikan turunannya, tanpa ambang pendapatan dan tanpa perlu berbicara dengan Ant.

Lisensi Drama 3 gratis untuk penelitian dan pekerjaan nonkomersial, gratis untuk penggunaan komersial selama Anda dan afiliasi Anda tetap berada di bawah US$500.000 dalam pendapatan tahunan, dan memerlukan lisensi yang dinegosiasikan di atas ambang itu — atau pada skala apa pun jika Anda ingin menawarkan Drama 3 sebagai layanan text-to-speech, kloning, atau inferensi. FAQ di kartu model itu sendiri lebih jelas daripada kebanyakan: audio final untuk klien tidak masalah, API sintesis pesaing tidak.

Satu detail yang perlu diperiksa, bukan diasumsikan: metadata Hugging Face untuk fishaudio/drama-3 masih tertulis fish-audio-research-license, sementara teks kartunya menjelaskan Community License. Jika Anda orang yang memberi persetujuan akhir atas deployment, bacalah file lisensi di repo, bukan tag-nya.

Bagi studio yang membuat audio drama, ambang $500.000 bukanlah masalah dan klausul layananlah yang perlu dibaca. Bagi perusahaan yang membangun fitur suara ke dalam produk di atas ambang pendapatan itu, Drama 3 adalah urusan pengadaan dan Ming hanyalah pip install.

Mana yang harus dipilih

Suara dukungan atau transaksional, bahasa Inggris atau Tionghoa. Ming. Ia unggul dalam dua kategori yang paling penting saat bot membacakan kembali nomor pesanan atau referensi pemesanan, ia adalah MIT, dan ia berjalan di perangkat keras yang sudah Anda miliki. Hasil seri pada suara kloning berarti Anda tidak mengorbankan kewajaran untuk mencapainya.

Narasi, drama audio, naskah yang sarat merek, banyak bahasa.Drama 3. Keunggulan suara penyedia itu nyata, nama diri adalah kategori terkuatnya, dan 83 bahasa versus tujuh bukanlah kesenjangan yang bisa ditutup dengan rekayasa prompt. Anggarkan perubahan harga November dan baca klausul layanan.

Pipeline yang sudah melakukan beberapa take.Drama 3, tetapi hanya jika Anda benar-benar menggunakan loop revisi. Fish Audio melatihnya dengan model reward preferensi manusia dan menawarkan revisi multi-putaran sebagai cara untuk memperoleh performa yang Anda inginkan; Ming adalah model single-shot tanpa mekanisme revisi yang bisa dijadikan pembanding, sehingga struktur take menjadi alasan untuk memilih Drama 3, bukan alasan untuk membandingkan keduanya.

Setiap deployment yang dibatasi oleh VRAM. Ming, tanpa perlu diperdebatkan. Mixture of experts 35B yang di-benchmark pada H200 bukanlah model yang Anda jalankan hanya karena praktis.

Apa yang harus ditonton

Tiga tanggal dan satu celah. Pada 13 November, harga promo Drama 3 berakhir dan US$10 menjadi US$50, lonjakan lima kali lipat yang akan menata ulang setiap perbandingan biaya di kategori ini dalam semalam. Sebelum itu, perhatikan apakah Artificial Analysis menggabungkan baris Drama 3 dan Drama 3 Preview-nya, karena papan yang mencantumkan satu model dua kali justru mengundang jenis kutipan ceroboh yang artikel ini berusaha hindari. Dan perhatikan skor untuk Ming-3.0-tts-tiny: varian MoE 7.9B adalah yang sebenarnya Ant tawarkan untuk pembuatan podcast, dan saat ini hanya ada angka dari vendor — 0,820% word error pada bahasa Mandarin, 6,000% pada bahasa Korea — tanpa apa pun yang independen di baliknya.

Ringkasan jujurnya adalah bahwa ini bukan dua versi dari produk yang sama. Yang satu adalah andalan kecil berlisensi permisif yang kebetulan sangat baik pada teks yang justru merusak sistem suara; yang lain adalah mesin performa besar berpagar lisensi yang kebetulan merupakan model terbuka dengan suara terbaik di papan peringkat saat menggunakan pemeran suaranya sendiri. Keunggulan 91 poin itu nyata. Hanya saja, keunggulan itu menjawab pertanyaan yang tidak pernah diajukan oleh sebagian besar produk.