GPT-Live-1 vs Fish Audio Drama 3: Satu Bisa Diunduh, Satu Hanya Bisa Disewa

Fish Audio Drama 3 Preview hadir sebagai 41,5 gigabyte bobot yang dapat diunduh, yang dapat Anda arahkan ke GPU Anda sendiri, periksa, fine-tune, dan tetap jalankan setelah vendor kehilangan minat. GPT-Live-1 hadir sebagai URL. Tidak ada bobot untuk diunduh, tidak ada jalur inferensi lokal, dan tidak ada cara untuk mendengarkannya sama sekali tanpa membuka sesi terhadap OpenAI v1/live/sessions endpoint dengan biaya $0.05 per menit.

Itu terdengar seperti detail pengadaan. Padahal itulah keputusannya. Salah satu dari model ini adalah aset dengan lisensi yang menempel; yang lain adalah layanan dengan meteran yang menempel, dan keduanya berperilaku sangat berbeda ketika produk Anda bertahan lebih lama daripada halaman harga.

Apa sebenarnya Drama 3

Fish Audio merilis Drama 3 Preview pada pertengahan Oktober 2026: model text-to-speech mixture-of-experts dengan 35 miliar parameter yang sekitar 3 miliar parameter aktif per token, dibangun di atas tulang punggung Qwen3.5-35B-A3B. Model ini mencakup 83 bahasa, dapat memuat hingga 16 pembicara berbeda dalam satu permintaan, mengkloning suara dari referensi singkat, dan menerima arahan dalam bahasa sederhana — beri tahu bahwa sebuah baris harus terdengar pasrah, tambahkan bunyi, atau tandai kata mana yang berubah, dan model akan menampilkannya alih-alih membacanya secara datar.

Plafon multi-pembicara adalah fitur yang penting secara komersial. Drama audio dua pemain, podcast dengan seorang host dan tamu, video pelatihan dengan narator dan pelanggan — masing-masing hanya satu panggilan API, bukan enam belas berkas yang digabung-gabung dengan room tone yang tidak seragam.

Pada Provider Voice Arena milik Artificial Analysis, yang direkam pada 29 Oktober 2026, Drama 3 Preview berada pada 1240 Elo, kesebelas secara keseluruhan dan pertama di antara entri open-weight, di atas Breeze TTS 2 pada 1228. Fish melaporkan ketahanan pengucapan 93,2%, yang tertinggi yang diklaim saat peluncuran dan di atas 91,7% yang dilaporkan ElevenLabs untuk Eleven v4.

Apa sebenarnya GPT-Live-1

Model OpenAI adalah jenis objek yang berlawanan. Sejak 10 September 2026, model ini dapat dipanggil dengan harga $0.05 per menit suara, ditagih per detik, dengan audio dan teks masuk maupun keluar, streaming dan pemanggilan fungsi didukung, serta output terstruktur secara eksplisit tidak didukung. Model ini bersifat full-duplex: ia mendengar Anda saat berbicara, dan menyerahkan penalaran berat kepada model teks di latar belakang.

Tidak ada produk pengklonaan suara, tidak ada mode multi-pembicara, dan tidak ada cara terdokumentasi untuk mengambil skrip lalu menghasilkan berkas audio deterministik. Yang ada adalah percakapan. Untuk agen telepon, itu tepat sekali. Untuk adegan dengan empat karakter, itu bukan alat yang lebih buruk, melainkan kategori alat yang salah.

Nomor yang dicetak kedua belah pihak

Ada satu detail yang perlu diperhatikan karena akan membingungkan siapa pun yang membandingkan lembar spesifikasi: Drama 3 milik Fish Audio dan Ming-3.0-TTS milik Ant Group keduanya melaporkan ketahanan pengucapan sebesar 93,2% pada pengukuran Artificial Analysis yang sama. Dua laboratorium berbeda, dua arsitektur berbeda, tetapi sama hingga satu angka desimal.

Itu bukan kesalahan copy-paste dan bukan pula hasil seri. Itulah bentuk sebuah batas atas — 6.8% yang tersisa adalah ekor sulit dari teks bahasa Inggris: urutan alfanumerik, nama diri yang tidak biasa, angka yang dibaca dalam konteks. Siapa pun yang mengklaim kemenangan pelafalan yang menentukan di antara model bobot terbuka teratas sedang membaca noise. Pertanyaan yang berguna adalah kasus kegagalan apa yang sebenarnya terdapat dalam konten Anda, dan itu menuntut pengujian teks Anda sendiri, bukan membaca papan peringkat.

Lisensi adalah bagian yang tidak dibaca siapa pun

Drama 3 adalah open weights, bukan open source dalam arti permisif. Drama 3 dirilis di bawah Fish Audio Community License v1.0: gratis untuk penelitian dan pekerjaan nonkomersial, gratis untuk penggunaan komersial dengan pendapatan tahunan di bawah $500.000, dan memerlukan perjanjian terpisah di atas ambang tersebut. Hosting API pihak ketiga memerlukan lisensinya sendiri, dan atribusi wajib dilakukan.

Itu adalah lisensi yang wajar dan kendala yang nyata. Tiga konsekuensi menyusul:

• Di bawah garis pendapatan, self-hosting benar-benar gratis — Anda hanya membayar listrik dan waktu GPU, tidak ada yang lain.

• Di atas itu, Anda kembali berada dalam sebuah negosiasi, dan keunggulan "kami memiliki bobotnya" menyempit menjadi "kami masih bisa menjalankannya selagi kami berbicara".

• Menjual kembali akses kepada pelanggan Anda sendiri hampir pasti memerlukan perjanjian terpisah, berapa pun pendapatan Anda.

Lisensi GPT-Live-1 lebih sederhana dalam artian perjanjian sewa lebih sederhana: Anda membayar per menit, Anda menggunakannya, lalu berhenti. Tidak ada ambang pendapatan, tidak ada klausul atribusi, tidak ada kewajiban untuk mengungkapkan jumlah pelanggan Anda. Kesederhanaan itu bernilai sesuatu, dan nilainya semakin besar semakin kecil Anda.

Berapa biaya perangkat keras sebenarnya

Self-hosting Drama 3 membutuhkan sekitar 48GB memori NVIDIA dalam FP8, dan sekitar 41,5GB dari itu adalah bobot. H100 atau instance kelas A100 sewaan mampu menjalankannya; kartu konsumen tidak, dengan nyaman. Dua kerangka berikut.

Jika Anda sudah memiliki GPU, biaya marginal sintesis hampir nol dan harga hosted tampak tidak masuk akal: Fish mencantumkan $50 per juta karakter, sedang menjalankan promosi peluncuran $10 per juta hingga 12 November 2026, dan Artificial Analysis mencatat harga acuan sebesar $15. Adegan sepuluh menit dengan sekitar 9.000 karakter berbiaya antara sembilan sen dan empat puluh lima sen, tergantung angka mana dari ketiganya yang sebenarnya ditagihkan kepada Anda.

Jika Anda tidak memiliki GPU, Anda tetap menyewanya, dan perbandingannya menjadi GPU-jam versus juta karakter. Pada tarif tipikal $2 per GPU-jam, model yang menyintesis sepuluh kali lebih cepat daripada waktu nyata menghasilkan sekitar sepuluh jam audio per jam sewa — kira-kira 540.000 karakter pada kecepatan bicara normal. Itu berarti sekitar $3,70 per juta karakter, jauh di bawah setiap harga hosted di daftar, tetapi hanya pada utilisasi berkelanjutan. Di bawah siklus tugas sekitar 30%, penyewaan tidak menghasilkan apa pun, dan asumsi tentang throughput memang hanya itu: asumsi yang harus Anda ukur pada instans Anda sendiri, bukan angka yang dipublikasikan Fish.

Dibandingkan dengan itu, biaya GPT-Live-1 linear dan membosankan: $0,05 per menit, setiap menit, tanpa biaya tetap, tanpa risiko utilisasi. Sepuluh menit percakapan adalah $0,50. Sepuluh menit narasi Drama 3 kira-kira $0,135 pada harga papan yang tercatat. Pekerjaan berbeda, meteran berbeda, dan salah satunya memiliki biaya tetap yang dapat diamortisasi.

Di mana penyewaan masih unggul

Kepatuhan adalah argumen senyap untuk model yang dihosting. Bobot Drama 3 dapat disalin, di-fine-tune menjadi produk pesaing, atau dibiarkan tetap berjalan di yurisdiksi yang tim hukum Anda punya pendapat tentangnya. GPT-Live-1 memberi Anda endpoint, faktur, dan vendor yang menanggung risiko sisi model. Bagi perusahaan teregulasi, itu bukan kemalasan; itu adalah premi asuransi.

Kebijakan latensi adalah yang kedua. Pengambilan giliran full-duplex adalah perilaku, bukan titik pemeriksaan: giliran 0,8 detik dan akurasi pemanggilan alat 87% adalah yang dilaporkan OpenAI untuk model ini, dan keduanya merupakan angka dari vendor, bukan pengukuran independen. Anda tidak dapat mengunduh perilaku itu dengan Drama 3, karena Drama 3 tidak berusaha mendengarkan Anda.

Dan penanganan kegagalan adalah yang ketiga. Model yang dapat diunduh gagal ketika GPU Anda gagal. Model yang dihosting gagal ketika milik orang lain gagal — yang merupakan risiko berbeda, tidak jelas lebih buruk, dan satu yang dapat Anda mitigasi.

Di mana menempatkan pagar tanaman?

Hedge berada di belakang lapisan suara, bukan di dalamnya. Tidak satu pun dari model ini dilayani oleh OrcaRouter: bobot Drama 3 tidak ada di katalog kami, dan GPT-Live-1 hanya memiliki satu endpoint dan tidak memiliki antarmuka yang kompatibel. Yang dapat dirutekan adalah segmen penalaran yang diandalkan agen percakapan — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — dapat dijangkau melalui satu kunci dengan failover otomatis, pada harga daftar penyedia yang diteruskan dengan markup 0%.

Itu adalah tempat yang tepat untuk membelanjakan anggaran redundansi Anda. Kegagalan output suara terdengar jelas dan nyata; kegagalan model teks di baliknya adalah kegagalan yang diam-diam merusak kualitas panggilan selama sepekan. Kunci telinga pada model yang Anda pilih. Biarkan otak tetap bisa diganti.

Keputusan itu, masing-masing dalam satu paragraf.

Pilih Drama 3 jika Anda memproduksi audio, bukan percakapan: adegan, podcast, dubbing, konten pelatihan multi-karakter, dan jika Anda berada di bawah ambang pendapatan atau siap bernegosiasi di atasnya. Paket 35B MoE, batas enam belas pembicara, dan Elo 1240 benar-benar kuat, dan bobotnya berarti tidak ada yang bisa merenggutnya dari Anda.

Pilih GPT-Live-1 jika produknya adalah percakapan langsung dan nilainya terletak pada penanganan interupsi. Biayanya lebih mahal per menit yang tersampaikan, tidak memberi Anda apa pun untuk dimiliki, dan ia melakukan satu hal yang secara struktural tidak bisa dilakukan Drama 3: mendengarkan sambil berbicara.

Keduanya berdekatan di lembar spesifikasi tetapi sangat jauh berbeda saat digunakan. Siapa pun yang membeli salah satunya dengan mengharapkan fungsi yang lainnya akan menyimpulkan bahwa model itu buruk, padahal model tersebut memang tidak pernah diminta untuk melakukan hal itu.