Fish Audio Drama 3 vs VoxCPM2: Papan Peringkat Melawan Lembar Data

Fish Audio Drama 3 memiliki skor Elo dan VoxCPM2 tidak, sehingga perbandingan yang tampak jelas di antara keduanya menjadi mustahil dan perbandingan yang menarik justru mudah terlewat. Drama 3, yang diumumkan pada 13 Oktober 2026 dan dinilai oleh Artificial Analysis sejak saat itu, menempati peringkat keenam dari 100 di Provider Voice Arena dengan skor 1.278. VoxCPM2 tidak memiliki baris di papan peringkat speech mana pun milik Artificial Analysis, dan model ini tidak tercantum di kedua arena yang dirujuk di halaman ini. Yang diterbitkan kedua lab adalah Seed-TTS-eval, dan di sana angka-angka menunjukkan sesuatu yang tidak dapat ditunjukkan oleh satu peringkat saja: pada uji coba masing-masing vendor, Drama 3 membutuhkan dua kali percobaan untuk mengalahkan satu kali percobaan VoxCPM2. Pilihan antara kedua model ini sebenarnya bukan soal kualitas. Ini soal apakah Anda menginginkan mesin performa yang Anda sewa per karakter, atau model dua miliar parameter yang dapat Anda pegang sendiri.

Salah satunya punya Elo, yang lainnya punya datasheet

Asimetri ini perlu dinyatakan secara terang-terangan karena sebagian besar halaman perbandingan diam-diam menutupinya. Drama 3 ada di setiap papan peringkat yang penting: keenam dari 100 di Provider Voice Arena pada 1.278, kedua belas dari 49 di Controlled Voice Arena pada 1.085, peringkat pertama bersama dari 31 pada ketahanan pelafalan bahasa Inggris sebesar 93,2%. VoxCPM2 tidak muncul di satu pun dari papan tersebut.

Ketiadaan itu bukan skandal, dan bukan hal baru. VoxCPM2 telah hadir sejak musim semi 2026 — dokumentasi proyek mencatat lini 2.0 pada Maret, repositori memberinya tag 2026.04, dan laporan teknisnya terbit pada Juni sebagai arXiv:2606.06928 — dan selama itu tidak ada seorang pun yang memasukkannya ke arena uji dengar buta. Penjelasan yang paling mungkin memang membosankan: slot arena biasanya diisi oleh vendor yang punya endpoint terhosting untuk dipromosikan, dan OpenBMB tidak menjualnya. VoxCPM2 mendistribusikan bobot di Hugging Face dan ModelScope serta server /v1/audio/speech yang kompatibel dengan OpenAI melalui vLLM-Omni, dan itulah keseluruhan cerita distribusinya.

Jadi posisi yang jujur adalah ini: kita bisa membandingkan Drama 3 dengan sebuah skor, atau kita bisa membandingkan kedua model satu sama lain. Kita tidak bisa melakukan keduanya sekaligus, dan halaman mana pun yang menyajikan Elo VoxCPM2-versus-Drama 3 sedang mengarang salah satunya.

Satu-satunya sumbu yang diterbitkan oleh keduanya

Seed-TTS-eval adalah hal paling mendekati tolok ukur bersama yang dimiliki bidang ini, dan kedua lab melaporkannya. Masalahnya, tak satu pun dari mereka menerbitkan tabel lengkap dalam format yang sama, jadi yang berikut ini adalah dua vendor yang mengukur diri mereka sendiri.

• Tingkat kesalahan kata bahasa Inggris — Drama 3 melaporkan 1,54% pada take final dan 2,20% pada take pertamanya; VoxCPM2 melaporkan 1,84% dalam satu kali proses. Take Drama 3 yang telah selesai adalah yang terbaik dari ketiga angka tersebut, dan take pertamanya adalah yang terburuk.

• Tingkat kesalahan bahasa Mandarin — Drama 3 sebesar 0,83% CER pada take final, 1,00% pada take pertamanya; VoxCPM2 sebesar 0,97% CER. Pola yang sama, dengan take final Drama 3 lebih unggul dan take pertamanya kurang lebih setara.

• Kemiripan pembicara — Drama 3 melaporkan 0,640 pada bahasa Inggris (skala 0–1); VoxCPM2 melaporkan 75,3 pada bahasa Inggris dan 79,5 pada bahasa Mandarin, yang dengan konvensi 0–100 yang digunakan di bagian lain laporannya adalah 0,753 dan 0,795. VoxCPM2 adalah pengkloning yang lebih kuat menurut angkanya sendiri.

• Pengujian stres yang lebih luas — VoxCPM2 juga menerbitkan tingkat kesalahan CV3-eval di sebelas bahasa (3,65% zh, 5,00% en, 8,55% hard-zh, 9,85% fr, 4,25% it, 5,21% ru) dan rata-rata internal untuk 30 bahasa sebesar 1,68%. Drama 3 tidak menerbitkan tabel kesalahan per bahasa yang setara, jadi tidak ada yang bisa disandingkan dengan angka-angka tersebut.

Anggap serius kesenjangan kemiripan dan anggap enteng kesenjangan word error. Kemiripan speaker adalah metrik yang paling mungkin bertahan terhadap perbedaan harness, karena metrik ini adalah jarak kosinus antara embedding dari audio referensi yang sama. Tingkat kesalahan kata bergantung pada normalisasi, prapemrosesan teks, dan klip referensi mana yang digunakan, dan kedua lab tidak diwajibkan untuk menyepakati hal-hal tersebut. Arahnya kredibel — VoxCPM2 mengkloning dengan lebih setia, Drama 3 mentranskripsikan dengan lebih akurat setelah revisi — tetapi besarannya bukanlah pengukuran.

Pajak revisi yang tidak pernah dicantumkan siapa pun di headline

1,54% dan 2,20% adalah model yang sama pada tes yang sama, hanya berbeda dalam hal apakah take tersebut diterima pada percobaan pertama. Laporan teknis Fish Audio luar biasa jujur soal ini: laporan itu mencantumkan keduanya, karena revisi multi-take adalah produknya. Nilai jualnya adalah bahwa Anda mengarahkan satu baris dengan bahasa biasa, mendengarkan, mengarahkan ulang, dan mempertahankan take yang Anda inginkan — dan benchmark mencerminkan take yang dipertahankan.

Jika begitulah cara pipeline Anda bekerja, 1,54% adalah angka yang akan Anda lihat. Jika Anda melakukan streaming satu kali proses ke panggilan langsung, baris dialog game, atau render batch tanpa manusia dalam alur, Anda mendapatkan 2,20% — lebih buruk daripada 1,84% satu kali proses VoxCPM2. Inversi itu adalah fakta paling berguna dalam perbandingan ini dan yang tidak dibuat jelas oleh tabel kedua vendor. Ini juga memberi harga pada alur kerja: setiap take tambahan adalah sintesis penuh lagi, dan Drama 3 menagih per karakter input, jadi kebiasaan tiga take melipatgandakan tagihan menjadi tiga kali.

VoxCPM2 tidak memiliki mekanisme revisi semacam ini. VoxCPM2 menawarkan empat mode generasi — zero-shot, kelanjutan, hanya referensi, dan gabungan referensi plus audio prompt — dan jawabannya terhadap hasil yang buruk adalah merender ulang dengan tag gaya berbeda. Lebih murah per percobaan, karena Anda tidak membayar per karakter, tetapi tanpa memori tingkat model atas hasil yang ditolak.

Batas minimum perangkat keras adalah keputusan yang sebenarnya

Di sinilah kedua model berhenti menjadi pengganti.

• Jejak VoxCPM2 — sekitar 8 GB VRAM, faktor waktu nyata kira-kira 0,30 pada RTX 4090 dan 0,13 dengan Nano-VLLM; proyek ini juga melaporkan 1,76 pada Q8_0 di Apple M4 Pro melalui llama.cpp-omni. Ini berjalan di workstation.

• Jejak Drama 3 — Fish Audio tidak memublikasikan batas bawah VRAM. Tabel throughput-nya diukur pada H200: 166,7 frame per detik dan median first-audio 88,9 ms pada satu aliran bersamaan, 927,6 frame/dtk pada enam belas, 1.687 frame/dtk pada enam puluh empat, dengan RTF 0,131 pada pengaturan aliran tunggal. Para pengulas menempatkan kebutuhan bf16 pada kartu 48 GB, dan build 4-bit komunitas mengklaim sekitar 32 GB. Ini berjalan di server atau di perangkat orang lain.

• Catatan tentang throughput — postingan peluncuran menyebut 271 frame per detik dari satu H200, sementara tabel streaming di model card mencapai puncaknya pada 166,7 untuk satu permintaan. Keduanya bisa saja benar untuk pengaturan pengukuran yang berbeda, tetapi ini berarti angka kecepatan utama bukanlah angka yang akan direproduksi oleh uji beban Anda.

Berikut perhitungannya. Satu juta karakter kira-kira setara lima belas hingga dua puluh jam ucapan jadi pada tempo narasi biasa. Pada 4090 dengan RTF 0,30, itu berarti lima hingga enam jam waktu GPU; pada API Fish Audio, biayanya US$10 selama promosi peluncuran dan US$50 setelah promosi berakhir pada 12 November. Menjalankan VoxCPM2 sendiri lebih murah per jam audio dan jauh lebih murah per jam eksperimen — Anda bisa mengulik desain suara sepanjang sore tanpa perlu mengawasi meteran.

Perutean tidak menghapus pilihan itu, jadi ada baiknya kita tepat mengenai apa yang dilakukannya. OrcaRouter tidak menghosting salah satu dari kedua model tersebut; Drama 3 tersedia melalui API milik Fish Audio sendiri dan beberapa platform pihak ketiga, dan VoxCPM2 tersedia sebagai bobot yang Anda jalankan sendiri. Yang kami sediakan adalah sisi suara dari pipeline di sekitar mereka — lini TTS Gemini dan OpenAI's TTS-1-HD, dengan failover otomatis lintas penyedia, sehingga endpoint yang dihosting saat menjadi tidak sehat tidak ikut menjatuhkan produk. Jika pertanyaannya adalah "mana dari keduanya yang harus saya jalankan", jawabannya ditentukan oleh VRAM, bukan oleh perutean.

Menyutradarai pertunjukan versus merancang suara

Kedua model tersebut berbeda pendapat tentang di mana pekerjaan kreatif terjadi, dan perbedaan pendapat itu bersifat arsitektural, bukan kosmetik.

Drama 3 adalah perangkat sutradara. Anda menulis instruksi dalam tanda kurung siku sebelum kata-kata yang diaturnya — [tercekat, menangis pelan] — dan mengubahnya di tengah kalimat. Tag berpasangan membatasi arahan pada kata tertentu: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Pengucapan dapat dipatok fonem demi fonem dengan CMU Arpabet, pinyin, atau romaji, dan adegan menggunakan satu ID suara per pembicara sebagai array. Beberapa take dapat direvisi dengan mengacu pada take sebelumnya, dan inpainting tingkat kata merender ulang satu kata yang ditandai agar cocok dengan take di sekitarnya — meskipun penyuntingan interaktif dan inpainting masih dalam pengujian khusus undangan, dengan API penyuntingan yang disebutkan akan segera tersedia.

VoxCPM2 adalah alat desain. Fitur utamanya adalah Voice Design: deskripsikan pembicara dalam bahasa alami dan dapatkan suara tanpa audio referensi sama sekali. Selain itu, ia melakukan kloning zero-shot, kelanjutan dari prompt, kloning hanya-referensi dengan kanal referensi terisolasi (jadi Anda tidak perlu transkrip yang cocok dengan klip tersebut), dan kontrol gaya melalui tag. Keterbatasannya adalah cakupan: ia membentuk suara dan penyampaian, bukan sebuah adegan. Tidak ada sintaks array pembicara, tidak ada mode dialog multi-karakter, tidak ada perbaikan tingkat kata.

Untuk drama audio dua aktor, perbedaan itu sudah menentukan segalanya sebelum benchmark apa pun. Bagi produk yang membutuhkan satu suara merek yang konsisten di seluruh katalog, mode desain VoxCPM2 adalah jalur yang lebih singkat, sementara sintaks arahan Drama 3 sebagian besar hanya menambah beban.

Laju sampel, bahasa, dan argumen codec

• Keluaran — VoxCPM2 mengeluarkan 48 kHz melalui AudioVAE V2 asimetris yang mengenkode pada 16 kHz dan mendekode pada 48 kHz; Drama 3 tetap pada 44,1 kHz, menghasilkan melalui Descript Audio Codec sepuluh codebook pada sekitar 21,5 frame per detik. Tambahan 3,9 kHz pada VoxCPM2 memang nyata tetapi jarang terdengar di samping format pengiriman terkompresi.

• Arsitektur — VoxCPM2 dirancang tanpa tokenizer, memprediksi latent kontinu secara langsung pada backbone MiniCPM-4 dan berargumen bahwa codec audio adalah hambatannya; Drama 3 tetap memakai token diskret dan mengalokasikan 35B-nya pada decoder prediksi multi-token codebook yang memprediksi sembilan codebook residual setelah dua yang pertama. Dua taruhan tentang di mana plafon kualitas berada.

• Bahasa — 83 yang diklaim untuk Drama 3, dibandingkan dengan 30 untuk VoxCPM2 ditambah sembilan dialek Tionghoa (Sichuan, Kanton, Wu, Timur Laut, Henan, Shaanxi, Shandong, Tianjin, Minnan). Jika Anda membutuhkan bahasa Thai, Vietnam, Ibrani, dan Swahili, VoxCPM2 memiliki keempatnya dan Drama 3 tidak secara jelas lebih unggul pada salah satu dari bahasa-bahasa itu; jika Anda membutuhkan 83, hanya satu dari keduanya yang diperhitungkan.

Data pelatihan — VoxCPM2 dilatih pada 2,36 juta jam ucapan (1,8 juta bahasa Mandarin dan Inggris plus 560 ribu multibahasa), angka yang dipublikasikan secara presisi oleh dokumentasinya. Fish Audio tidak mempublikasikan angka yang setara, yang bukanlah sebuah kritik melainkan satu titik lain di mana kedua makalah tersebut tidak ditulis untuk dibandingkan.

Lisensi: satu-satunya area di mana VoxCPM2 menang dengan jelas

VoxCPM2 berlisensi Apache 2.0. Perusahaan mana pun, dengan pendapatan berapa pun, dapat mengintegrasikannya, memodifikasinya, melakukan fine-tuning, mendistribusikannya kembali, dan menjual outputnya, tanpa ambang batas dan tanpa negosiasi. Fine-tuning LoRA dan SFT didukung dan didokumentasikan.

Drama 3 berada di bawah Lisensi Komunitas Fish Audio v1.0: gratis untuk riset dan pekerjaan nonkomersial, gratis untuk penggunaan komersial selama Anda dan afiliasi Anda tetap di bawah US$500.000 pendapatan tahunan, dan lisensi yang dinegosiasikan di atas itu — atau pada ukuran apa pun jika Anda ingin menawarkan Drama 3 sebagai layanan TTS, kloning suara, atau inferensi. Audio klien yang sudah selesai secara eksplisit diizinkan pada pendapatan berapa pun; API sintesis yang bersaing tidak. Artificial Analysis menandainya sebagai "bobot terbuka tanpa hak penggunaan komersial", yang merupakan ringkasan satu baris yang wajar mengenai syarat pembatas tersebut.

Ada juga detail yang perlu diperiksa, bukan sekadar dipercaya: metadata Hugging Face untuk fishaudio/drama-3 masih bertuliskan fish-audio-research-license, sementara teks kartunya menjelaskan Community License. Baca file lisensi di repositori sebelum Anda membangun produk berdasarkan tag tersebut.

Bagi perusahaan yang telah mendapat pendanaan dan sedang merilis fitur suara, itulah keseluruhan perbandingannya dalam satu baris: VoxCPM2 tidak memakan biaya apa pun untuk tinjauan hukum, sedangkan Drama 3 mengharuskan Anda melakukan percakapan dengan tim penjualan.

Pilih berdasarkan batasan, bukan berdasarkan skor

Anda punya satu GPU dan sebuah produk untuk diluncurkan. VoxCPM2. Delapan gigabyte, Apache 2.0, 48 kHz, dan mode desain suara yang menghasilkan suara merek yang bisa dipakai pada sore pertama. Anda harus merelakan arahan adegan dan skor suara penyedia terbaik di kategorinya.

Anda memproduksi audio berskrip dengan manusia di dalam prosesnya.Drama 3. Arahan dalam tanda kurung, tag dengan cakupan, pergeseran di tengah kalimat, dan perbaikan tingkat kata adalah hal yang paling mendekati sesi rekaman yang dimiliki bobot terbuka, dan WER bahasa Inggris sebesar 1,54% adalah hasil yang diperoleh dari loop revisi. Siapkan anggaran untuk perubahan harga 12 November dan baca klausul layanan terlebih dahulu.

Anda memerlukan bahasa di luar tiga puluh bahasa tersebut. Drama 3, atau tidak keduanya — tetapi cocokkan bahasa spesifiknya dengan klaim cakupan Fish Audio sendiri, bukan dengan angka "83" yang tertera di kemasan.

Anda mengkloning suara seseorang secara spesifik dalam skala besar. Kemiripan speaker VoxCPM2 adalah angka terbaik di halaman ini, dan saluran referensi terisolasinya berarti Anda dapat mengkloning dari klip tanpa transkrip yang sesuai. Keunggulan Drama 3 adalah pengarahan, bukan kesetiaan terhadap referensi.

Satu hal yang jangan dilakukan adalah memeringkatkan mereka. Tidak ada arena bersama, tidak ada studi preferensi manusia bersama, dan tidak ada harness kesalahan bersama — hanya satu model dengan Elo dan satu dengan datasheet, serta keputusan yang bergantung pada perangkat keras yang Anda miliki dan apa yang diizinkan lisensi untuk Anda lakukan dengannya.