Fish Audio Drama 3 Preview in vetta all'Open-Weights Speech Arena

Fish Audio Drama 3 Preview è il modello pubblicato da Fish Audio il 13 ottobre 2026 e, la mattina seguente, aveva già conquistato il primo posto tra i sistemi open-weights nella classifica text-to-speech di Artificial Analysis. Ciò che rende quella posizione meritevole di un secondo sguardo non è il vertice, ma il prezzo a esso associato. La voce riporta una tariffa di listino di 15,00 $ per milione di caratteri, mentre ogni modello posizionato vicino a esso costa da due a cinque volte tanto, e i due modelli immediatamente sopra in classifica, ElevenLabs Eleven v4 Turbo ed ElevenLabs Eleven v4, sono sistemi chiusi con un prezzo per carattere che scala nel senso sbagliato per chiunque produca audio di lunga durata.

Nella Provider Voice Arena della classifica, dove le voci di ciascun fornitore si sfidano tra loro, Fish Audio Drama 3 Preview si trova al 10° posto con un Elo di 1.243. È dietro alla coppia ElevenLabs a 1.330 e 1.328, dietro a Cartesia Sonic 3.6 a 1.286, dietro a Qwen-Audio-3.1-TTS-Plus a 1.300 e Qwen-Audio-3.0-TTS-Plus a 1.268, e dietro a Gemini 3.8 Flash TTS a 1.274. È davanti al secondo modello open weights, Breeze TTS 2, che si trova a 1.221 e costa $34,00 per milione di caratteri — poco più del doppio della tariffa di Drama 3 Preview. Dei 97 modelli presenti in quella classifica, 17 sono open weights, e la nuova preview di Fish Audio è quella meglio classificata tra loro.

Leggi il numero insieme alle sue barre di errore. L'intervallo riportato dalla classifica per la voce va da 1.226,8 a 1.258,8, all'incirca 1.857 confronti ciechi, su 8 voci dell'arena. Rispetto a Breeze TTS 2 il divario è ampio. Rispetto a Speechify Simba 3.2 a 1.245 e 6,60 $, non lo è — si tratta di una differenza di 2 punti con intervalli sovrapposti, e nessuno dovrebbe prendere una decisione d'acquisto su questa base. Il riepilogo onesto è che Drama 3 Preview ha portato un modello open-weights nella top ten di una classifica in cui prima non aveva alcun diritto di figurare, e lo ha fatto a un prezzo di fascia media.

Che cos'è effettivamente il modello

Fish Audio descrive Drama 3 Preview come un modello mixture-of-experts da 35 miliardi di parametri con circa 3 miliardi di parametri attivi per token. Utilizza uno stack di attenzione ibrido — Gated DeltaNet combinato con gated full attention — abbinato a un decoder codebook-MTP e a un tokenizer basato su DAC che opera a 44,1 kHz. La fusione parziale dei codebook reimmette nel ciclo solo i primi due codebook. L'addestramento ha attraversato tre fasi di pre-training, poi il fine-tuning su istruzioni, poi l'apprendimento per rinforzo rispetto a un singolo modello di ricompensa basato sulle preferenze umane, senza reward shaping basato su regole.

L'affermazione sulla throughput che lo accompagna è la parte che più interesserà agli operatori del settore: Fish Audio riporta 271 frame al secondo su una singola H200, contro 177 per il modello S2 a cui succede, nonostante porti con sé molti più parametri. Si tratta di un dato fornito dal produttore, non di un benchmark verificato, e varierà in base al batching e alla lunghezza della sequenza — ma la direzione è coerente con un'architettura sparsa che fa ciò che le architetture sparse dovrebbero fare.

La superficie API è invariata rispetto all'endpoint S2.1 Pro. Le richieste vanno a POST https://api.fish.audio/v1/tts, e una richiesta che omette il campo model o ne indica uno che il servizio non riconosce ricade su s2.1-pro anziché restituire un errore. Questo fallback è comodo e vale la pena conoscerlo, perché significa che un refuso nel nome del modello produce un audio dal suono plausibile ma con la voce sbagliata anziché un 400.

Controllo registico, dialogo in un'unica passata e correzione di singole parole

Tre capacità distinguono questa release dalla generazione precedente, e tutte e tre sono orientate al lavoro di produzione scriptato piuttosto che alla conversazione dal vivo.

• Indicazioni in linguaggio naturale. Invece di un vocabolario fisso di tag, il modello accetta istruzioni sotto forma di semplici descrizioni come [nervoso, a stento riesce a mantenere il controllo] o [caldo e rilassato, come parlare con un vecchio amico], e può cambiare emozione o resa a metà frase senza generare una nuova take. I tag inline accoppiati come <whisper>…</whisper> e i segnali come [sigh] si applicano solo al testo che racchiudono, così una battuta può cambiare registro a metà per costruzione anziché per fortuna.

• Dialogo multi-interlocutore in un'unica passata. Ogni personaggio mantiene la propria voce all'interno di una singola generazione, il che elimina la fase di splicing che di solito si trova tra un modello TTS e una scena finita. Per l'audio drama e i dialoghi dei videogiochi, questa è la differenza tra una pipeline e un progetto di ricerca.

• Inpainting audio. Un segmento può essere riselezionato, ricevere una nuova istruzione e rigenerato autonomamente, il che è la soluzione nel flusso di lavoro per la singola parola pronunciata male che prima richiedeva un re-render completo. Fish Audio elenca l'esperienza di editing interattivo, lo strumento di inpainting e un'API di editing come solo su invito o in arrivo, quindi la funzionalità esiste ma l'interfaccia non è ancora generalmente aperta.

Fish Audio sostiene inoltre di supportare 83 lingue con coerenza linguistica su script lunghi e passaggi a metà scena, il controllo della pronuncia a livello di fonema in inglese, cinese, giapponese, coreano e diverse altre lingue, e la clonazione vocale in stile S2 da clip di riferimento di circa 10-30 secondi. La demo di lancio ha utilizzato un clone vocale di Uncle Roger che, secondo l'azienda, è stato realizzato e utilizzato con autorizzazione.

L'affermazione sulla pronuncia, e da dove proviene

L'annuncio di Fish Audio afferma che Drama 3 Preview ottiene un punteggio complessivo del 93,2% in una classifica di robustezza della pronuncia di Artificial Analysis e si posiziona primo, davanti a ElevenLabs Eleven v4 ed Eleven v4 Turbo. I punteggi parziali che pubblica sono 95,9% su nomi, marchi e termini tecnici contro 87,3% per Fish Audio S2.1 Pro; 95,3% su parole dipendenti dal contesto contro 86,1%; 93,6% su numeri, date e unità contro 92,7%; e 86,3% su codici, percorsi e indirizzi email contro 79,4%.

Quei numeri provengono dall'annuncio di Fish Audio stesso. Quando sono andato a cercare la classifica per leggere direttamente i punteggi per modello, i percorsi relativi alla robustezza della pronuncia restituivano 404 e la superficie della classifica che riuscivo a caricare mostrava la graduatoria Elo senza un dato citabile sulla pronuncia per modello allegato. Ogni cifra nel paragrafo precedente è quindi riportata dal fornitore e dovrebbe essere etichettata come tale in qualsiasi presentazione che la utilizzi. I numeri Elo altrove in questo articolo sono diversi: quelli li ho letti direttamente dalla classifica e portano con sé gli intervalli di confidenza della classifica stessa.

La lamentela di fondo che l'affermazione affronta è reale, a prescindere da quale numero si scelga di credere. La pronuncia di nomi propri, codici prodotto e percorsi di file è il tipo di errore che riporta i team alla voce umana, ed è quello che la maggior parte dei fornitori di TTS è stata più lenta a correggere perché non è un problema di prosodia. Un modello che gestisce l'86,3% di codici, percorsi ed email rispetto al 79,4% di un predecessore sbaglia comunque circa una volta su sette.

Che cosa significa "open weights" ai sensi di questa licenza

Fish Audio Drama 3 Preview viene distribuito con la Fish Audio Community License v1.0. Leggi i termini prima di pianificare di conseguenza. La licenza è gratuita per la ricerca e l'uso non commerciale, ed è gratuita per l'uso commerciale se tu e le tue affiliate rimanete sotto i 500.000 USD di fatturato annuo. Al di sopra di tale soglia — o se desideri offrire il modello come servizio di sintesi vocale, clonazione vocale o inferenza, indipendentemente dalle dimensioni — hai bisogno di una licenza da Fish Audio. La linea S2 rimane sotto una licenza di ricerca separata. La clonazione della voce di una persona reale senza consenso è vietata in modo assoluto.

La soglia commerciale è corroborata in modo indipendente: la classifica di Artificial Analysis contrassegna la voce come pesi aperti senza diritti di uso commerciale, il che è coerente con una licenza vincolata al fatturato anziché con una licenza senza restrizioni. Se sei un piccolo studio, i pesi aperti con questa licenza sono un'opzione concreta. Se sei una piattaforma che rivende inferenza, non si tratta di pesi aperti nel senso che speravi.

Prezzi e l'offerta di lancio

Il prezzo di listino API è di 50 $ per milione di caratteri, scontato dell'80% a 10 $ per milione dal 13 ottobre al 12 novembre 2026. I crediti Creator corrispondono a S2.1 Pro, e i nuovi piani Plus, Pro e Max sono a metà prezzo nello stesso periodo. Artificial Analysis registra il prezzo della classifica come 15,00 $ per milione di caratteri con le impostazioni predefinite, ovvero il numero da usare quando si confronta con altre voci di quella classifica anziché con il listino prezzi di Fish Audio.

La finestra promozionale è la parte con una scadenza reale. A 10 $ per milione di caratteri, Drama 3 Preview batte praticamente ogni modello concorrente in classifica con un ampio margine. A 50 $, è più costoso di Cartesia Sonic 3.6 a 49 $ e ben al di sopra di Qwen-Audio-3.0-TTS-Plus a 19,30 $. Chi costruisce un modello di costo sulla tariffa scontata dovrebbe costruirne un secondo sulla tariffa di listino e verificare che il progetto funzioni ancora.

Dove si colloca in uno stack di produzione

L'audio con script, renderizzato una sola volta, è il punto ideale: audiolibri, audio drama, dialoghi di giochi e animazioni, video brevi. La generazione multi-speaker in un'unica passata e il flusso di lavoro di inpainting esistono entrambi per servire quel tipo di lavoro, e il prezzo è per carattere anziché al minuto, il che favorisce script lunghi. La modifica interattiva e l'API di modifica non sono ancora disponibili in generale, quindi un flusso di lavoro che dipende da esse è un flusso di lavoro che dipende da un invito.

La questione operativa che ne deriva è il routing, e per la voce è più ardua che per il testo. Fish Audio Drama 3 Preview non è uno dei modelli presenti oggi su OrcaRouter. Vi si accede tramite l'API proprietaria del fornitore e diverse piattaforme di terze parti. Lo stesso vale per la maggior parte dei modelli confrontati sopra — la top ten della classifica vocale è un insieme di endpoint specifici per fornitore con autenticazione specifica per fornitore, e ciascuno è un'integrazione a sé e un proprio dominio di interruzione. Quanto a OrcaRouter, i ~200 modelli dietro un'unica chiave al prezzo di listino del fornitore, senza ricarico, coprono attività di testo, visione e ragionamento, e il suo failover automatico esiste proprio per il caso in cui l'endpoint di un fornitore si degradi a metà esecuzione. Il modello pratico per un percorso vocale in produzione è mantenere il fornitore vocale diretto e tenere tutto ciò che esso orchestra — la summarizzazione, la passata di traduzione, il generatore di dizionari di pronuncia, il classificatore QA — dietro un unico endpoint instradato, così che un failover lì non si porti via la pipeline di rendering.

Il risultato finale

Fish Audio Drama 3 Preview è un risultato reale, non un artefatto della settimana di lancio: 10° posto nella Provider Voice Arena con un Elo di 1.243, primo tra le 17 voci open-weights della classifica, a 15,00 $ per milione di caratteri contro i 34 $ del successivo modello open-weights in classifica. I divari dalla vetta della classifica sono ancora ampi e gli intervalli di confidenza si sovrappongono a quelli dei vicini più prossimi, quindi la corona open-weights è una posizione di partenza, non un vantaggio. Il dato del 93,2% sulla pronuncia è quello dichiarato dal fornitore e non è stato possibile ricavarlo in modo indipendente dalla classifica. La licenza prevede un tetto di ricavi di 500.000 US$ per l'uso commerciale, che lo escluderà del tutto per alcuni team. E la tariffa di 10 $ scade il 12 novembre 2026.

Per uno studio che produce audio sceneggiato su larga scala, la combinazione di generazione multi-speaker in un'unica passata, inpainting di singole parole e una licenza open-weights al di sotto della soglia di fatturato è l'argomento più forte in questo caso — più forte della posizione in classifica che finirà sui titoli.

Anche le scelte di modello come questa sono dove emergono le modalità di guasto: gli incidenti AI documentati e i guasti degli agenti dietro i modelli di questa classe sono raccolti in l'Archivio degli incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.