Fish Audio Drama 3 ora detiene entrambe le arene del parlato contemporaneamente — e nessuno dei due numeri è quello che hai visto la settimana scorsa

La classifica contiene due record per un unico prodotto. Fish Audio Drama 3 si colloca al sesto posto nella Artificial Analysis Provider Voice Arena con un Elo di 1.278 e al dodicesimo posto nella Controlled Voice Arena con 1.085, e in entrambe le tabelle è il modello open-weights con il ranking più alto. Il record etichettato Fish Audio Drama 3 Preview — quello che ha avuto risalto sulla stampa quando Fish Audio lo ha pubblicato il 2026-10-13 — è ancora elencato separatamente, a 1.240 e 1.063. Si tratta di una differenza di 38 punti su una classifica e di 22 sull'altra, per quello che la pagina prodotto del fornitore stesso definisce un unico modello sotto due nomi. Se nelle ultime due settimane avete citato un Elo di Drama 3, questo è l'articolo che vi dice quale dei due stavate citando.

Cosa dicono davvero oggi i cartelloni

Entrambi i valori sono stati rilevati da Artificial Analysis il 2026-10-29, ed entrambi riportano lo stesso valore registrato dalla classifica di $15.00 per milione di caratteri, quindi il divario di 38 punti non è una variazione di prezzo: si tratta di due valutazioni di due stati archiviati dello stesso modello. Le posizioni nella classifica delle voci dei provider sopra Drama 3 sono tutte sistemi chiusi: Eleven v4 Turbo a 1,336 e $40.00, Eleven v4 a 1,334 e $80.00, Qwen-Audio-3.1-TTS-Plus a 1,305 e $19.30, Cartesia Sonic 3.6 a 1,296 e $49.00 e Google Gemini 3.8 Flash TTS a 1,283 e $16.50. Ognuno di essi costa più per milione di caratteri della voce Fish Audio classificata immediatamente sotto di loro.

La board delle voci controllate è il punto in cui i due record di Drama 3 si separano più nettamente in classifica, e dove l'affermazione sugli open-weights è più facile da verificare, perché tutti i modelli lì sono valutati sulle stesse voci di riferimento fisse anziché sul catalogo proprietario di ciascun fornitore. Distribuzione completa per le voci open-weights alla data odierna:

• Provider vocale — Fish Audio Drama 3 1.278 (#6); Fish Audio Drama 3 Preview 1.240 (#12); Breeze TTS 2 1.228 (#13); Voxtral 3 TTS 1.223 (#15).

• Voce controllata — Fish Audio Drama 3 1.085 (#12); Ming-3.0-tts 1.068 (#17); Fish Audio Drama 3 Preview 1.063 (#20); Breeze TTS 2 1.021 (#28).

• Il divario che conta: sulle voci controllate, Drama 3 è ancora dietro a Eleven v4 (1,156, #4), mentre Inworld Realtime TTS-2 (1,146, #7) e Google Gemini 3.8 Flash TTS (1,053, #24) sono sotto di esso, ma i sistemi chiusi in cima a quella classifica non sono a quattro punti di distanza, sono a settanta. HeyGen Voice è in testa con 1,193.

Due cose seguono. Primo, "primo tra i pesi aperti" è vero su entrambe le arene oggi e non è un pareggio su nessuna delle due. Secondo, il margine sulla classifica controllata — 17 Elo su Ming-3.0-tts con un quinto del numero di parametri — rientra nell'intervallo in cui qualche migliaio di voti può cambiare l'ordine, quindi trattalo come un vantaggio piuttosto che come una posizione consolidata.

Il punteggio di pronuncia è un primo posto condiviso, non un primo posto assoluto.

L'annuncio di Fish Audio cita il 93,2% nel benchmark English Pronunciation Robustness di Artificial Analysis, contro l'88,1% del suo precedente S2.1 Pro, e lo descrive come il punteggio più alto della classifica. Era accurato quando il punteggio è arrivato il 20 ottobre 2026, con una precisazione che il testo di marketing omette: Ming-3.0-tts di Ant Group ha raggiunto lo stesso 93,2%, quindi la classifica mostra un pareggio al primo posto tra 31 modelli valutati, anziché un unico leader. Eleven v4 si attesta al 91,7% e Eleven v4 Turbo al 90,1%.

Il punteggio aggregato nasconde un vero compromesso. La forza di Drama 3 sono i nomi propri e le parole dipendenti dal contesto: 95,9% sui termini isolati come marchi, luoghi e nomi tecnici, e 95,3% sulle parole la cui lettura dipende dalla frase. Il suo punto debole è tutto ciò che deve essere riprodotto carattere per carattere: 86,3% su codici, percorsi e indirizzi email, dove Ming raggiunge il 90,6%. L'unica categoria in cui Drama 3 perde nettamente è l'espansione delle abbreviazioni — numeri, date e unità — con il 93,6% contro il 94,1% di Eleven v4. Se la tua pipeline legge ad alta voce numeri d'ordine, codici componente o stringhe di tracciamento, il 93,2% in evidenza è il numero sbagliato su cui pianificare; l'86,3% è quello giusto.

Cosa è stato rilasciato il 2026-10-13, e cosa cambia in sedici giorni

Niente di tutto questo è un lancio, e non dovrebbe essere riportato come tale. Fish Audio ha inserito il modello nella sua web app, nelle sue app iOS e Android e nella sua API il 2026-10-13, con l'ID del modello API "drama-3". Ciò che è nuovo nelle ultime due settimane è la valutazione indipendente del modello retail, non l'esistenza del modello. Vale la pena esplicitare le conseguenze pratiche di questa distinzione, perché la precedente copertura di questo modello — anche su questo blog — era stata scritta sulla base dei dati Preview.

L'architettura non è cambiata tra i due record: un mixture-of-experts da 35 miliardi di parametri inizializzato da Qwen3.5-35B-A3B, con circa 3 miliardi di parametri attivi per token e 8 esperti instradati su 256 più un esperto condiviso che si attivano. Quaranta layer disposti in blocchi ripetuti di tre layer Gated DeltaNet e un layer gated full-attention, quindi solo un layer su quattro mantiene una KV cache. Il decoder è un design codebook-MTP — quattro layer condivisi che alimentano nove layer a larghezza piena, uno per codebook acustico — e solo i codebook 0 e 1 vengono reimmessi nel backbone. Il tokenizer è la stessa configurazione Descript Audio Codec usata da S2: 44,1 kHz, dieci codebook, circa 21,5 frame al secondo, completamente causale. Vale la pena notare una piccola incongruenza, perché confonderà chiunque confronti le due fonti: l'annuncio di Fish Audio dice 35 miliardi di parametri, e la model card di Hugging Face riporta una dimensione del modello di 36B. La differenza è probabilmente dovuta a un arrotondamento o a una convenzione sul conteggio degli embedding, più che a un checkpoint diverso, ma i due numeri sono quelli che si trovano in ciascuna delle due fonti.

La throughput su un singolo H200 è una cifra del fornitore pari a 271 frame al secondo contro 177 per S2, che è ciò che un MoE da 35B con un percorso attivo da 3B dovrebbe offrirti. Il serving avviene tramite SGLang-Omni. I pesi sono su Hugging Face come fishaudio/drama-3 — circa 40 GB distribuiti su una serie di shard safetensors più un file codec separato — e l'inferenza FP8 richiede circa 48 GB di VRAM, senza alcun percorso CPU o ROCm documentato. Quest'ultimo vincolo è quello che decide la maggior parte delle questioni di self-hosting, ed è oggetto del confronto Breeze TTS 2 anziché di questo.

Tre prezzi, e la carta non è quella su cui dovresti pianificare

Qui l'attribuzione delle fonti deve essere esplicita, perché circolano tre cifre e due non sono ciò che sembrano. Artificial Analysis registra $15.00 per milione di caratteri per entrambe le voci Drama 3. La pagina di annuncio di Fish Audio indica un prezzo di listino di $50.00 per milione di caratteri, con una tariffa di lancio di $10.00, sconto dell'80%, fino al 2026-11-12. E la documentazione per sviluppatori di Fish Audio fattura in una terza unità del tutto diversa: per milione di byte UTF-8, con drama-3 a $50.00, s2.1-pro a $15.00 e la tariffa di lancio a $10.00 fino al 2026-11-12 09:00 PT. L'inglese si aggira intorno a un byte per carattere, quindi le cifre in byte e in caratteri sono grossomodo intercambiabili per il testo inglese e divergono nettamente per scritture che costano più di un byte a glifo.

I $15,00 sulla classifica meritano un secondo sguardo invece di un’alzata di spalle, perché corrispondono esattamente alla tariffa di listino di s2.1-pro, il modello precedente di Fish Audio, e non alla tariffa di quello che viene valutato. O la classifica ha registrato un valore misto o ereditato, oppure ha prezzato il modello a una tariffa che Fish Audio non pubblica per esso. Il numero su cui basare il budget è quello nella tabella prezzi di Fish Audio: $50,00 per milione di byte UTF-8 a listino, che la documentazione del fornitore equipara a circa 180.000 parole inglesi, ovvero all’incirca dodici ore di parlato — vale a dire $4,17 per ora di audio finito. Uno sconto di lancio che scade tra due settimane non è un tariffario; a $10,00 le stesse dodici ore costano circa $0,83.

Licenza: pesi aperti, non open source, e una clausola che decide molto

I pesi sono pubblicati con la Fish Audio Community License v1.0. L'uso per ricerca e non commerciale è gratuito. L'uso commerciale è gratuito se tu e le tue società affiliate rimanete sotto i US$500,000 di fatturato annuo; oltre tale soglia, oppure se desideri offrire Drama 3 come servizio di sintesi vocale, clonazione vocale o inferenza, è necessaria una licenza separata da Fish Audio. La licenza vieta inoltre di clonare la voce di una persona reale senza consenso, e le FAQ di Fish Audio considerano consentita la "produzione di audio finito per i clienti", che è la clausola rilevante per agenzie e studi di post-produzione. S2 rimane soggetta alla più restrittiva Research License, quindi le due generazioni non sono intercambiabili in un impiego commerciale.

Artificial Analysis elenca il modello come a pesi aperti senza pieni diritti di utilizzo commerciale. Questa è la descrizione onesta: puoi scaricarlo ed eseguirlo, ma non puoi necessariamente vendere l'accesso. Chiunque intenda costruire un prodotto in hosting su questi pesi dovrebbe leggere la clausola di servizio prima di realizzare la pagina di fatturazione, non dopo.

Dove questo lascia una pipeline di produzione

Il motivo per cui il risultato delle due arene merita un post invece di una nota a piè di pagina è che cambia ciò che un team può dare per assunto. Sedici giorni fa l'affermazione difendibile era che un modello open-weights era entrato nella top ten di una board di preferenza e rivendicava un vantaggio nella pronuncia nella propria valutazione. Oggi il verdetto indipendente è più ristretto e più solido: è il miglior modello open-weights su entrambe le arene, è primo a pari merito sulla pronuncia anziché primo assoluto, e lo fa a una tariffa di fascia media con pesi che chiunque può scaricare.

Drama 3 non è uno dei modelli su OrcaRouter. Vi si accede tramite l'API proprietaria di Fish Audio e diverse piattaforme di terze parti, e un articolo che fingesse il contrario ti mentirebbe proprio sull'unica cosa per cui esiste questo blog. Quello che facciamo noi è l'altra metà del problema: i ~200 modelli dietro un'unica chiave al prezzo di listino del fornitore senza ricarico, failover automatico, la DSL di routing e la fusione dei modelli sono il modo in cui una pipeline che già chiama altri fornitori assorbe un modello come questo senza un secondo contratto e un secondo SDK. Se Drama 3 diventa la voce narrante di una coda di rendering e la coda ha una scadenza, il valore di instradare tutto il resto attraverso un unico endpoint è che esiste già un percorso di retry.

Cosa tenere d'occhio nelle prossime due settimane, in ordine di quanto cambierebbe il quadro: se il divario di 22 punti tra i due record di Drama 3 si chiude o si allarga man mano che più voti arrivano sulla voce retail; se Ming-3.0-tts passa in vantaggio nella pronuncia una volta che il suo punteggio sui nomi propri, al 21º posto, viene rimisurato con un numero maggiore di span; e se qualcuno al di fuori di Fish Audio riproduce il valore di 271 frame al secondo su hardware che non sia un H200. I numeri dell'arena sono abbastanza consolidati da poter essere citati. Il valore di throughput è ancora un'affermazione del fornitore, e la licenza è ancora l'elemento che più probabilmente deciderà se un team possa effettivamente usarlo.