Fish Audio Drama 3 vs Breeze TTS 2: il confronto open-weights che si conclude con un dato di VRAM

Fish Audio Drama 3 e Breeze TTS 2 sono i due modelli text-to-speech open-weight con il punteggio più alto alla Provider Voice Arena di Artificial Analysis, distanti 50 punti Elo, e non competono davvero per lo stesso impiego. Drama 3 è un mixture-of-experts da 35 miliardi di parametri che richiede una singola scheda da 48 GB. Breeze TTS 2, di BreezeBlue, è un modello denso da 3 miliardi di parametri con codice di inferenza PyTorch pubblicato. Questa differenza di footprint pesa su più decisioni d'acquisto di quanto faccia il divario Elo, perché un modello che non puoi eseguire non è un modello che puoi valutare — e per giunta le due licenze tirano in direzioni opposte.

Stessa etichetta, due diversi tipi di pesi aperti

Entrambe le voci mostrano un link ai pesi sulla board, ed entrambe sarebbero descritte in un comunicato stampa come open. Nessuna delle due è open source, e le restrizioni non hanno la stessa forma.

I pesi di Breeze TTS 2 sono stati pubblicati su Hugging Face il 2026-08-25 come BreezeBlue/Breeze-TTS-2, insieme al codice di inferenza PyTorch, con una licenza per ricerca e uso non commerciale. Questo rappresenta un limite invalicabile per l'impiego commerciale senza un accordo separato, e la situazione non è cambiata da allora. L'azienda ha annunciato il modello il 2026-08-16 e il 2026-08-17 come modello vocale in tempo reale per i media interattivi, ha aperto un'API ospitata a $34 per milione di caratteri e ha pubblicato i pesi nove giorni dopo. BreezeBlue è stata fondata da Yang Bin, ex co-fondatore tecnico di MiniMax, con un round seed da $6 milioni guidato da Yuanjing Capital e Redpoint China.

Fish Audio Drama 3 viene distribuito con la Fish Audio Community License v1.0, che è sostanzialmente più permissiva sull’aspetto che più conta per la maggior parte dei team: l’uso commerciale è gratuito al di sotto di 500.000 USD di fatturato annuo per te e le tue affiliate, e le FAQ considerano consentita la produzione di audio finali per i clienti. Oltre tale soglia, oppure se desideri ospitare Drama 3 come servizio di sintesi vocale, clonazione vocale o inferenza, è necessaria una licenza da Fish Audio. La licenza vieta inoltre di clonare la voce di una persona reale senza consenso. S2 — il predecessore — rimane soggetto alla più restrittiva Research License, quindi le due generazioni Fish Audio non possono essere trattate come un’unica categoria legale.

La lettura pratica: Breeze TTS 2 è il modello più facile con cui sperimentare e quello più difficile da lanciare commercialmente; Drama 3 è l'opposto. Se la tua valutazione è una demo di ricerca o uno strumento interno, la licenza di Breeze non è un ostacolo e la sua impronta da 3B rende l'esperimento economico. Se la tua valutazione si conclude con un prodotto, i termini di Fish Audio sono quelli che un avvocato firmerà senza negoziazione.

Un dettaglio sulla model card di Breeze merita di essere segnalato, perché ormai è superato. L'introduzione della card afferma ancora che il modello «si classifica al primo posto tra i modelli open-weight nella classifica TTS di Artificial Analysis». Era vero quando è stata scritta; oggi la classifica colloca Breeze TTS 2 al tredicesimo posto nelle voci dei provider e al ventottesimo nelle voci controllate, dietro entrambe le voci di Fish Audio. Le model card invecchiano più in fretta delle classifiche, e un lettore che consultasse solo la card ne ricaverebbe una graduatoria errata.

I numeri dell’arena, e perché il divario della voce controllata è quello più grande

Letto da Artificial Analysis il 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 al 6° posto con un Elo di 1.278 e un prezzo di $15,00 per milione di caratteri registrato nella classifica; Breeze TTS 2 al 13° posto con 1.228 e $34,00. Un divario di 50 punti, con i modelli classificati tra i due che sono tutti sistemi chiusi.

• Controlled Voice Arena — Fish Audio Drama 3 al 12º posto con 1.085; Breeze TTS 2 al 28º posto con 1.021. Un divario di 64 punti, e questa è la classifica in cui ogni modello viene valutato sulle stesse voci di riferimento fisse invece che sulle voci progettate dal suo stesso fornitore.

• La direzione dell'allargamento del divario — il vantaggio di Drama 3 cresce di 14 punti quando si esclude dal confronto il catalogo voci proprietario del fornitore. È il dato più utile in assoluto di questo confronto, perché indica che il vantaggio di Fish Audio non è un artefatto dovuto a quanto suonano bene le sue voci predefinite.

Cinquanta o sessantaquattro punti Elo sono una differenza reale nei test di preferenza alla cieca, e non è una differenza che resiste quando è l'unico modello nel confronto. Entrambi sono ben lungi dalla frontiera chiusa: Eleven v4 Turbo guida la classifica dei provider a 1.336 e HeyGen Voice guida la classifica controllata a 1.193. Ciò che la coppia open-weights offre è un livello minimo auto-ospitabile, non una frontiera.

Ciò di cui ciascuno ha effettivamente bisogno per funzionare

È qui che il confronto smette di essere astratto.

• Drama 3 — 35B parametri totali, circa 3B attivi per token, 8 esperti instradati su 256 più uno condiviso. I pesi occupano circa 40 GB distribuiti su un insieme di shard più un file codec separato, e l'inferenza FP8 richiede circa 48 GB di VRAM. Fish Audio non documenta alcun percorso CPU, Apple Silicon o ROCm. Su una singola H200 il fornitore riporta 271 frame al secondo contro 177 per S2, che è il guadagno dell'architettura sparsa; tale cifra è dichiarata dal fornitore e non replicata al di fuori di Fish Audio.

• Breeze TTS 2 — 3B parametri dense. Un checkpoint BF16 pesa circa 6 GB, quindi entra comodamente su una scheda da 24 GB e plausibilmente anche su quelle più piccole con la quantizzazione. Il codice di inferenza è nel repository invece di essere solo sottinteso. Nessun dato pubblicato sulla latenza a livello di singolo stream, ma il modello è stato progettato e venduto per supporti interattivi in tempo reale, un requisito diverso dalla narrazione ad alta fedeltà.

• Tokenizer — Drama 3 mantiene la configurazione del Descript Audio Codec di S2: 44,1 kHz, dieci codebook, circa 21,5 frame al secondo, completamente causale. Il tokenizer di Breeze TTS 2 non è qualcosa che posso citare da una fonte primaria, e un confronto che ne inventasse uno sarebbe una falsa precisione.

La conseguenza è netta. Un team con quattro schede da 24 GB può eseguire Breeze TTS 2 oggi e non può eseguire Drama 3 senza trucchi di sharding che Fish Audio non documenta. Un team con una scheda di classe H200 deve scegliere tra un modello che si adatta al proprio hardware e un modello superiore di 50 Elo. Nessuna delle due è la risposta sbagliata; sono risposte a domande diverse.

Costo per volumi, nell'unità con cui Fish Audio fattura effettivamente

La documentazione di Fish Audio indica i prezzi per milione di byte UTF-8, non per carattere, il che cambia i calcoli per chiunque non scriva in inglese. Secondo la stessa documentazione, un milione di byte UTF-8 corrisponde a circa 180.000 parole inglesi o dodici ore di parlato. Drama 3 è listato a $50,00 per milione di byte — circa $4,17 per ora di audio finito — con una tariffa di lancio di $10,00, circa $0,83 all'ora, fino al 12 novembre 2026 alle 09:00 PT. Breeze TTS 2 costa $34,00 per milione di caratteri e, con la stessa conversione approssimativa, equivale a circa $2,83 all'ora.

Quindi la classifica si ribalta a seconda del giorno in cui acquisti. Durante la promozione, Drama 3 costa all'ora circa un terzo di Breeze TTS 2. Dopo il 2026-11-12, Drama 3 a listino costa all'ora circa il 47% in più rispetto a Breeze — pur essendo migliore da 50 a 64 Elo nelle arene e sensibilmente migliore nella pronuncia. E per il testo CJK o cirillico, la fatturazione basata sui byte spinge ulteriormente in alto Drama 3: un carattere di tre byte costa tre volte quanto un carattere inglese secondo quella tabella, mentre un fornitore che fattura a carattere applica lo stesso prezzo a entrambi.

Due dettagli di fatturazione provenienti dalla stessa documentazione meritano di essere riportati in un modello di budget, perché entrambi gonfiano silenziosamente la spesa reale. I limiti di frequenza riguardano le richieste simultanee, non le richieste al secondo — 5 simultanee al livello starter, 15 a partire da 100 $ pagati, 50 a partire da 1.000 $ — e una richiesta oltre il limite restituisce un 429 senza header retry-after, quindi un renderer parallelo ingenuo deve implementare il proprio backoff. E le richieste che indicano un id modello mancante o non corrispondente esattamente vengono servite e fatturate come il modello predefinito, il che, sul lato TTS, significa che un header Drama 3 scritto male durante la promozione può farti fatturare alla tariffa di S2.1 Pro invece che con lo sconto.

Mettendo entrambi dietro un'unica pipeline

Né Fish Audio Drama 3 né Breeze TTS 2 è uno dei modelli su OrcaRouter. A ciascuno si accede tramite l'API proprietaria del rispettivo fornitore e, nel caso di Fish Audio, tramite piattaforme di terze parti, e la versione onesta di questa sezione lo dice invece di lasciare intendere una via che non abbiamo.

Il livello di orchestrazione è una questione separata, ed è qui che la suddivisione in due modelli si ripaga. Uno studio piccolo che vuole Drama 3 per la narrazione e Breeze TTS 2 per i prompt UI in tempo reale si ritrova con due SDK, due tabelle tariffarie e due modalità di errore da gestire entro un'unica scadenza. Instradare il resto dello stack attraverso un unico endpoint al prezzo di listino del provider, senza ricarichi, con failover automatico tra gli upstream, significa che la scelta del fornitore TTS diventa una riga in una configurazione anziché un secondo contratto — e il DSL di routing può comporre una chiamata al modello con il passaggio audio invece di incollarli insieme nel codice dell'applicazione.

Se ne scegli uno oggi e l'hardware è già stato acquistato, la decisione è quasi presa per te: 48 GB di VRAM sono una voce di budget diversa da 6 GB, e la licenza di Breeze solo per ricerca richiede una revisione legale diversa dalla licenza comunitaria di Drama 3 con tetto ai ricavi. Se ne scegli uno per la qualità all'interno della classe open-weights, la risposta è Drama 3 su entrambe le arene e sulla pronuncia, e l'argomento sul prezzo vale solo per le prossime due settimane.