AssemblyAI-TTS-1 vs Fish Audio Drama 3: un pulsante di checkout contro un download da 41,5 GB

La prima cosa da capire su AssemblyAI-TTS-1 rispetto a Fish Audio Drama 3 è che uno dei due è un file. Drama 3, rilasciato il 13 ottobre 2026, è un modello vocale mixture-of-experts da 35 miliardi di parametri pubblicato su Hugging Face come fishaudio/drama-3 — circa 41,5 GB di pesi prima di aggiungere un codec, e circa 48 GB di VRAM per servirlo in FP8. AssemblyAI-TTS-1, disponibile in generale dal 27 ottobre 2026 a 15 $ per milione di caratteri, è un endpoint HTTPS in US-East o EU-North che risponde in meno di un decimo di secondo e non chiede altro che testo. Ogni confronto tra i due che inizi con i punteggi Elo parte dal posto sbagliato, perché i due prodotti sono separati da una decisione operativa prima ancora che da una decisione sulla qualità.

Cosa si compra con 15 dollari, e cosa si compra con 41,5 gigabyte

La parte AssemblyAI-TTS-1 è presto descritta. Un prezzo fisso di 15 $ per milione di caratteri di input che copre tutte le oltre 4.000 voci della libreria, clonazione istantanea da un campione di 24 secondi, timestamp a livello di parola, sei lingue al lancio (inglese, spagnolo, francese, tedesco, italiano, portoghese), elaborazione negli Stati Uniti o nell'UE, endpoint WebSocket e HTTP più una route compatibile con OpenAI, un messaggio di annullamento per il barge-in e concorrenza illimitata senza alcun costo aggiuntivo. Nessun SSML, nessun parametro di velocità, nessun dizionario di pronuncia, nessun tag emotivo, nessun livello di clonazione professionale.

Il lato Drama 3 è un prodotto di forma del tutto diversa. È un MoE da 35B con circa 3 miliardi di parametri attivi per token, inizializzato da Qwen3.5-35B-A3B, 40 layer, 8 esperti instradati su 256 più uno condiviso — ed è questo che gli consente di suonare espressivo e di restare comunque su un singolo acceleratore. Copre 83 lingue, clona le voci, gestisce fino a 16 parlanti in un’unica passata e accetta indicazioni sceniche in linguaggio naturale tra parentesi quadre, come [sighs], che il modello esegue. Inoltre, stando alla model card di Fish stessa, è pensato per performance dirette: doppiaggio, narrazione, scene con più personaggi. Il loop telefonico sub-100 ms non è ciò per cui è stato messo a punto.

Quella distinzione non è una critica a nessuno dei due. È il motivo per cui il confronto esiste: Drama 3 è l’unico modello di questa serie che puoi possedere a tutti gli effetti, e AssemblyAI-TTS-1 è l’unico di questa serie che puoi mettere davanti a un chiamante questo pomeriggio senza comprare una GPU.

La matematica della concorrenza è il vero argomento

Entrambi i fornitori pubblicano un valore di latenza e nessuno dei due è direttamente comparabile, quindi considera quanto segue come due affermazioni separate anziché un confronto diretto.

• Drama 3, scheda del modello del fornitore — 88,9 ms di tempo mediano al primo audio su un singolo stream su una H200, fattore tempo reale 0,131, 271 frame al secondo. Il supporto per il serving è arrivato entro pochi giorni dal rilascio e lo stesso hardware mantiene 255 ms di tempo mediano al primo audio con 128 stream simultanei, ovvero circa 222 secondi di audio per secondo di tempo reale.

• AssemblyAI-TTS-1, laboratorio del fornitore — 47 ms di tempo mediano al primo byte; misurato in modo indipendente da Cekura a 159 ms di avvio dello streaming mediano e 296 ms al p90, con 162 caratteri al secondo di throughput nella misurazione di Artificial Analysis.

Guarda cosa succede al numero di Drama 3 quando il carico aumenta: 88,9 ms da solo, 255 ms con 128 stream. È una curva perfettamente adeguata per una pipeline di doppiaggio e marginale per un call center, dove ogni millisecondo prima che il chiamante senta qualcosa è un millisecondo di silenzio assoluto. La controargomentazione di AssemblyAI non è un numero più veloce: è l'assenza di una curva, ovvero concorrenza illimitata a una tariffa fissa, perché il problema di pianificazione è del fornitore e tu non lo vedi mai. Se quella promessa sopravviva al tuo traffico è esattamente ciò che va testato, dato che un'affermazione di concorrenza illimitata senza alcun comportamento di accodamento pubblicato è un'affermazione che riguarda il cluster di qualcun altro.

Due bollette che non sono espresse nelle stesse unità

Fish elenca Drama 3 a 50,00 $ per milione di byte UTF-8, che la documentazione stessa del fornitore equipara a circa dodici ore di parlato, ovvero circa 4,17 $ all'ora di audio. È in corso una promozione di lancio a 10,00 $ per milione di byte, circa 0,83 $ all'ora, valida fino al 12 novembre 2026. AssemblyAI-TTS-1 a 15 $ per milione di caratteri equivale a circa 0,81 $ all'ora di parlato, usando la stessa generosa ipotesi di circa 900 caratteri al minuto di audio conversazionale ordinario.

Durante la promozione, i prezzi dei due sono praticamente identici, con una differenza che rientra in un errore di arrotondamento, e a prezzo di listino Fish costa circa cinque volte di più per ora di output — e questo prima ancora di acquistare l'H200. L'hosting autonomo non elimina il costo: converte una bolletta per carattere in una bolletta per GPU-ora, più una persona che sappia come servirlo.

Vale la pena nominare due trappole, perché è facile caderci.

• I caratteri non sono byte. Fish fattura in base ai byte UTF-8, AssemblyAI in base ai caratteri. Il testo inglese è vicino a un byte per carattere, quindi i due sembrano comparabili; i sistemi di scrittura giapponesi, arabi o con molte emoji gonfiano il conteggio dei byte e aumentano silenziosamente la fattura di Drama 3 del 30–100% sullo stesso script.

• Un'intestazione del modello mancante non genera un errore evidente. La documentazione di Fish stessa osserva che un identificatore di modello assente o scritto in modo errato passa a s2.1-pro a $15.00 per milione di byte — un sovrapprezzo del 50% rispetto alla tariffa promozionale di Drama 3, per un modello diverso, senza alcun errore nella risposta.

C'è un terzo numero in circolazione e vale la pena nominarlo perché lo incontrerai su una classifica. La colonna dei prezzi di Artificial Analysis registra Drama 3 a 15,0 $ per milione di caratteri, che non è coerente con i 50 $ per milione di byte di Fish né con i 10 $ promozionali. Tre cifre — listino, promozione, normalizzazione della classifica — e solo le prime due provengono dal fornitore. Il numero della classifica è un'unità di confronto, non una quotazione.

Il gate della licenza in fondo al post

Drama 3 non è open source nel senso che la maggior parte dei team presuppone. Viene distribuito con la Fish Audio Community License v1.0: l’uso commerciale è gratuito al di sotto di US$500,000 di ricavi annui, al di sopra si applica una licenza separata, e la rivendita del modello come API TTS ospitata richiede un proprio accordo indipendentemente dalle dimensioni. Artificial Analysis lo registra come open weights senza pieni diritti di uso commerciale, che è la descrizione accurata.

{{1}}AssemblyAI-TTS-1{{/1}} non ha un tale vincolo perché non ha pesi: non puoi ospitarlo in autonomia, fare fine-tuning né continuare a usarlo se il fornitore cambia i prezzi. È il compromesso che nessuno inserisce in una tabella comparativa: la licenza di Drama 3 limita ciò che puoi fare con il modello, e l'architettura di {{1}}AssemblyAI-TTS-1{{/1}} limita ciò che puoi fare senza il fornitore.

Il divario di qualità, detto una volta

Sul Provider Voice Arena di Artificial Analysis — consultato il 30 ottobre 2026, quindi la stessa esecuzione per entrambi — Drama 3 si classifica sesto con 1.278 Elo e AssemblyAI-TTS-1 quattordicesimo con 1.227. Sul Controlled Voice Arena Drama 3 è dodicesimo con 1.085 e AssemblyAI-TTS-1 decimo con 1.110, il che inverte l'ordine e indica che le due classifiche misurano cose diverse: voci predefinite nella prima, fedeltà di clonazione rispetto a un riferimento fisso nella seconda. Drama 3 è il più forte dei due in classifica sulla voce naturale, e i due sono entro il margine di rumore l'uno dall'altro una volta mantenuta costante la registrazione di riferimento.

Il numero che li separa più nettamente è la robustezza della pronuncia, dove Drama 3 è nettamente in testa alla classifica: le fonti collocano il valore tra circa il 93% e il 95% a seconda di quando è stata consultata la pagina, quindi considera la classifica il dato di fatto e il decimale un ornamento. AssemblyAI-TTS-1 ottiene l'81,7% sullo stesso strumento, al sedicesimo posto, con il suo punteggio parziale più debole nell'espansione delle abbreviazioni al 73,8%. Se il tuo input è pieno di abbreviazioni, Drama 3 le gestisce senza un dizionario. Se il tuo input è un numero di telefono letto ad alta voce, il test indipendente di Cekura colloca AssemblyAI-TTS-1 al primo posto nel suo campo con il 91,7% esattamente in quella categoria.

Nessuno dei benchmark proprietari dei due vendor dovrebbe essere interpretato come indipendente. L’accuratezza a livello di parola del 99,0% di AssemblyAI, il MOS previsto di 3,85 e il punteggio TTSDS di 85,5 provengono dal suo harness sui propri set di dati tenuti da parte; gli 88,9 ms e i 271 frame al secondo di Fish provengono dalla sua model card. Le misurazioni di terze parti — Artificial Analysis, Cekura, Coval — sono le uniche in questo articolo prodotte da qualcuno che non ha un prodotto da vendere.

Scegli in base a ciò che sai gestire, non a ciò che è classificato più in alto

Esistono esattamente tre situazioni in cui Drama 3 è la risposta giusta. Hai bisogno di una performance espressiva e con regia, con indicazioni di scena e più parlanti in un'unica passata — non c'è discussione, AssemblyAI-TTS-1 non ha un equivalente. Hai bisogno di una lingua al di fuori delle sei con cui è stato lanciato AssemblyAI — 83 contro 6, e il confronto finisce lì. Oppure hai bisogno del modello sul tuo hardware per motivi di residenza dei dati che una regione di un fornitore statunitense o dell'UE non soddisfa — un requisito reale per alcuni carichi di lavoro regolati e l'unico che giustifica la GPU.

Tutti gli altri stanno comprando un agente telefonico, e un agente telefonico vuole una tariffa fissa, nessuna coda dietro l'H200 di qualcun altro e un problema di pronuncia che possa risolvere. AssemblyAI-TTS-1 ti dà i primi due e non ti dà ancora il terzo. Questa è la forma onesta della questione: Drama 3 è il modello migliore e il prodotto peggiore per questo lavoro.

Il compromesso pratico su cui si assesterà la maggior parte dei team è usarli entrambi — Drama 3 per l'audio generato che distribuisci come contenuto, AssemblyAI-TTS-1 per il parlato turno per turno nel loop live, con un'unica via di fallback tra i due. Mantenere integrato un secondo fornitore TTS è la stessa disciplina che OrcaRouter applica alla metà del modello linguistico di quello stack: un'unica API per oltre 200 modelli al prezzo di listino del provider con markup dello 0%, failover automatico quando un provider si degrada, e un DSL di routing che consente a un unico endpoint di servire più modelli invece di diversi contratti. Nessuno di questi due modelli vocali è oggi nel catalogo OrcaRouter — le route vocali che offriamo sono la famiglia tts-1 di OpenAI e le anteprime Gemini TTS di Google — quindi leggilo come l'idea di fondo dell'argomentazione, non come un suggerimento che tu possa acquistare Drama 3 qui.

Che cosa cambierebbe questo verdetto: Fish che pubblica una curva di concorrenza che si mantiene sotto i 150 ms con volumi da call center, oppure AssemblyAI che aggiunge un dizionario di pronuncia e altre quattro lingue. Tieni d'occhio per prima la seconda. È un cambiamento di configurazione, e l'azienda che ha lanciato un tariffario flat da 15 $ ha già dimostrato di preferire competere sulla fattura.