Fish Audio Live 3 vs Drama 3: Satu Model Membaca Naskah, Model Lain Mendengar Suasana Ruangan

Fish Audio Live 3 dan Fish Audio Drama 3 bukanlah dua jawaban untuk pertanyaan yang sama, dan menganggap keduanya sebagai rival adalah cara tercepat untuk membeli yang salah. Drama 3, yang diterbitkan Fish Audio pada 2026-10-13, adalah model text-to-speech: Anda memberikan kata-kata dan arahan performa, lalu model mengembalikan audio. Live 3, yang diumumkan pada 2026-11-10, adalah model suara duplex untuk panggilan agen: ia mendengarkan sambil berbicara, memutuskan kapan jeda berarti "lanjutkan" dan kapan berarti "saya sudah selesai," dan dapat bereaksi dalam waktu hanya 186 milidetik menurut Fish Audio. Yang satu adalah perender; yang lain adalah lawan bicara.

Kebingungannya dapat dimaklumi karena keduanya adalah model Fish Audio, keduanya baru, dan keduanya dipasarkan sebagai model yang unggul dalam hal yang tidak dimiliki model Fish Audio lainnya. Namun, keduanya berada pada lapisan yang berbeda dalam tumpukan suara, didokumentasikan secara terpisah, dan hanya salah satunya yang muncul di daftar tarif resmi Fish Audio. Jadi, perbandingan yang berguna bukanlah mana yang lebih baik — melainkan untuk pekerjaan apa masing-masing sebenarnya digunakan, dan di mana keduanya bertemu dalam satu produk.

Apa yang masing-masing model didokumentasikan untuk dilakukan

Drama 3 adalah model text-to-speech, dan bukti publiknya adalah preferensi serta pengucapan, bukan turn-taking. Pada Provider Voice Arena milik Artificial Analysis, model ini berada di peringkat keenam dengan Elo 1.278; pada Controlled Voice Arena, tempat setiap model dinilai terhadap suara referensi yang sama, model ini berada di peringkat kedua belas dengan 1.085. Di kedua papan peringkat, model ini adalah model open-weights berperingkat tertinggi dalam tabel, dan catatan Drama 3 Preview sebelumnya — yang mendapat liputan pers pada Oktober — masih tercantum terpisah pada 1.240 dan 1.063. Pada benchmark English Pronunciation Robustness, model ini mencetak 93,2% secara keseluruhan, peringkat pertama bersama di antara 31 model yang dinilai dengan Ming-3.0-tts, dengan rincian kategori lebih penting daripada angka utamanya: 95,9% pada istilah mandiri seperti merek dan nama teknis, 93,6% pada penjabaran singkatan seperti angka dan tanggal, 86,3% pada pemeliharaan urutan persis seperti kode dan jalur, dan 95,3% pada pengucapan yang sesuai konteks.

Bukti publik Live 3 memiliki bentuk yang sama sekali berbeda. Pengumuman Fish Audio dibangun di sekitar percakapan, bukan rendering, dan ketiga contoh yang diuraikan semuanya berkaitan dengan waktu.

• Nomor telepon yang dibacakan dalam potongan-potongan — "415… 555… 0132" — yang mana Live 3 mungkin mengucapkan "mm-hmm" atau "oke, 415" di antara potongan-potongan tersebut lalu menunggu sisanya.

• Seorang penelepon yang mengatakan "yeah" atau "mm-hmm" saat agen membacakan jam buka, di mana Live 3 terus berjalan alih-alih menganggap tanggapan itu sebagai interupsi.

• Seorang penelepon yang merevisi pesanan di tengah ucapan — "dua pizza… tidak, tiga. Tiga ukuran besar. Dan… sebenarnya, buat salah satunya margherita" — di mana Live 3 menunggu hingga setiap koreksi selesai alih-alih bertindak berdasarkan pesanan lengkap pertama yang masuk akal.

Fish Audio menyatakan bahwa model tersebut dapat memutuskan untuk merespons dalam waktu sesingkat 186 milidetik, yang menggambarkan reaksi pendek seperti "mm-hmm", "oke", dan konfirmasi cepat alih-alih jawaban lengkap. Model ini hanya berbahasa Inggris saat peluncuran dan tersedia di Fish Agent Platform, melalui API Fish Audio, serta on-premises untuk perusahaan. Yang tidak dimilikinya adalah tolok ukur yang dipublikasikan, skor independen — Artificial Analysis tidak mencantumkan baris Live 3 duplex per 2026-11-11 — atau entri di daftar harga Fish Audio.

Mengapa unit penetapan harga menunjukkan bahwa itu adalah produk yang berbeda

Fish Audio menagih Drama 3 berdasarkan byte UTF-8 dari teks masukan: $50.00 per juta byte pada harga daftar, dengan promosi peluncuran $10.00 per juta yang berlaku hingga 2026-11-30. Dokumentasi perusahaan sendiri mengonversi satu juta byte UTF-8 menjadi sekitar 180.000 kata bahasa Inggris, atau sekitar dua belas jam ucapan — sehingga drama-3 berada di sekitar $4.17 per jam audio yang dihasilkan pada harga daftar, dan sekitar $0.83 per jam selama promosi. Satuan tersebut ada karena TTS memiliki jumlah teks yang masuk dan jumlah audio yang keluar yang dapat diketahui.

Live 3 sama sekali tidak cocok dengan unit itu, dan tidak tercantum dalam kartu tarif. Panggilan agen dupleks tidak memiliki naskah tetap: audio masuk adalah apa pun yang dikatakan penelepon, audio keluar adalah seberapa banyak model memilih untuk berbicara, dan biaya yang menarik adalah menit koneksi, bukan byte teks. Fish Audio belum menerbitkan meter mana yang akan digunakannya, itulah sebabnya kolom Live 3 dalam perbandingan biaya apa pun kosong, bukan murah.

Yang sama-sama dimiliki oleh kedua model adalah sebuah platform. Agent Platform milik Fish Audio, yang saat ini dalam beta publik, menghosting agen Live 3 dan mengekspos permukaan REST di bawah /v1/agent/* dengan SDK JavaScript dan React, kanal untuk widget web, nomor telepon, atau klien kustom, serta autentikasi token sesi. Hook LLM kustom pada platform itu mengarah ke endpoint yang kompatibel dengan OpenAI, yang merupakan titik sambung tempat lapisan penalaran pilihan Anda sendiri dipasang.

Tempat keduanya bertemu dalam satu produk

Pertanyaan yang menarik bukanlah model mana yang menang, melainkan seperti apa satu produk ketika keduanya digunakan untuk hal yang menjadi keunggulan masing-masing. Saluran pemesanan membutuhkan Live 3 pada panggilan langsung, karena panggilan adalah tempat jeda dan koreksi terjadi. Produk yang sama biasanya juga membutuhkan Drama 3, atau model sejenisnya, untuk semua yang bukan percakapan: konfirmasi yang dibacakan ulang setelah panggilan, sapaan pesan suara, pengingat keluar, narasi panjang di halaman pemasaran yang mengarahkan penelepon ke sana. Itu adalah pekerjaan render dengan skrip yang sudah diketahui, dan kekuatan yang dipublikasikan Drama 3 — preferensi di antara pendengar, pelafalan 93,2%, 83 bahasa, bobot terbuka yang diterbitkan di bawah Fish Audio Community License v1.0 dengan batas pendapatan $500.000 — persis merupakan kekuatan yang dibutuhkan pekerjaan render.

Pemisahan itu memiliki konsekuensi biaya yang perlu dinyatakan secara gamblang, karena di situlah lapisan perutean berhenti menjadi sekadar abstraksi. Lapisan penalaran di balik agen Live 3 dapat diarahkan ke mana saja yang mendukung protokol OpenAI; OrcaRouter berada di balik endpoint tersebut dengan 216 model dari satu kunci, dengan harga daftar penyedia tanpa markup dan failover otomatis saat penyedia mengalami error, sehingga planner di dalam agen dapat diganti tanpa menyentuh lapisan suara atau nomor telepon. DSL perutean menentukan model mana yang menangani jenis panggilan tertentu, dan fusi model memungkinkan model murah menyusun draf tool call sementara model yang lebih kuat memeriksanya sebelum dieksekusi. OrcaRouter tidak menghosting Fish Audio Live 3 atau Drama 3 — keduanya tidak tersedia melalui endpoint pihak ketiga, dan lapisan suara dalam stack ini tetap bersama Fish Audio. Yang dihosting-nya adalah segala sesuatu di sekitar lapisan suara.

Yang mana yang sebenarnya kamu butuhkan?

Anda membutuhkan Drama 3 jika keluarannya berupa file. Narasi, audiobook, iklan, suara karakter, dubbing, bacaan aksesibilitas — apa pun yang kata-katanya ditulis oleh manusia dan akan didengar sekali oleh pendengar dalam versi yang sudah dipoles. Ini memiliki skor preferensi, rincian pelafalan, jumlah bahasa, dan tarif per byte yang dipublikasikan yang dapat Anda jadikan dasar perkiraan. Ini juga berbobot terbuka, yang penting jika Anda perlu menjalankannya sendiri.

Anda membutuhkan Live 3 jika outputnya adalah percakapan yang harus tetap bertahan saat disela. Agen telepon, saluran pemesanan, penerimaan pesanan, triase dukungan — apa pun ketika penelepon merespons dan mode kegagalannya adalah pembicaraannya ditimpa atau harus mengulang rangkaian angka. Ini memiliki argumen perilaku, batas bawah latensi vendor, dan platform, dan belum memiliki tolok ukur atau harga.

Anda mungkin membutuhkan keduanya jika Anda membangun produk suara, bukan sekadar demo, dan pembagiannya mengikuti garis antara live dan rendered. Kesalahan yang harus dihindari adalah memilih satu untuk menjalankan tugas yang lain: model TTS tidak dapat memutuskan kapan harus berhenti berbicara, dan model agen dupleks adalah cara yang mahal dan belum dievaluasi untuk menghasilkan sapaan pesan suara. Fish Audio menjual keduanya, satuan harganya sengaja dibuat berbeda, dan peta jalan yang memperlakukannya sebagai satu produk akan salah memperkirakan biayanya sendiri sejak bulan pertama.