Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: ora Google è quello economico, e questo ribalta il consueto argomento

Se si calcola il prezzo di questi due al minuto di audio finito, il confronto smette di somigliare a quello che il mercato sta facendo da tutto l'anno. Google Gemini 3.8 Flash TTS costa $9,00 per milione di token audio, e l'audio viene generato a 25 token al secondo — poco più di due centesimi di centesimo al secondo, che equivale a circa $0,81 per ora di parlato. Fish Audio Drama 3 è a listino a $50,00 per milione di byte UTF-8, che la documentazione stessa del fornitore equipara a circa dodici ore di parlato: circa $4,17 all'ora a listino, e $0,83 all'ora durante la promozione di lancio che termina il 2026-11-12. Quindi il modello vocale di punta di Google è cinque volte più economico della sfidante open-weights una volta scaduto lo sconto, e all'incirca allo stesso prezzo mentre la promozione dura. La classica impostazione — un agile modello aperto che batte sul prezzo un hyperscaler — qui è esattamente invertita, e capire perché è tutta la decisione.

L'aritmetica, con dettagli sufficienti per verificarla.

L'unità di Google sono i token, non i caratteri, ed è per questo che i numeri principali sembravano insignificanti accanto ai fornitori che tariffano per carattere. Gemini 3.8 Flash TTS genera audio a 25 token per secondo di parlato a 9,00 dollari per milione di token fino alla fine del 2026, e il modello che sostituisce — Gemini 3.1 Flash TTS Preview — era prezzato a 20,00 dollari per lo stesso milione di token in output. Gemini 3.8 Flash-Lite TTS, rilasciato in contemporanea il 2026-09-23, presenta una lista di lingue più breve e una tariffa ancora più bassa, e Artificial Analysis lo registra a 11,00 dollari per milione di caratteri a fini di confronto.

L'unità di Fish Audio è il byte, non il carattere, e la sua documentazione dichiara la conversione in modo esplicito: un milione di byte UTF-8 corrisponde all'incirca a 180.000 parole inglesi, ovvero circa dodici ore di parlato. A 50,00 $ per milione di byte, ciò equivale a 4,17 $ all'ora prima di qualsiasi costo aggiuntivo. Al prezzo promozionale di 10,00 $, sono 0,83 $. Le indicazioni tra parentesi vengono fatturate come testo di input, quindi una sceneggiatura ricca di indicazioni costa il 10-25% in più di quanto suggerisca il conteggio delle parole — e in questo confronto ogni parentesi viene fatturata, perché l'intera concezione di Drama 3 prevede che tu scriva la recitazione nella sceneggiatura.

• Prezzo di listino, per ora di parlato — Gemini 3.8 Flash TTS circa 0,81 $; Drama 3 circa 4,17 $.

• Prezzo promozionale, all'ora — Gemini 3.8 Flash TTS circa $0,81; Drama 3 circa $0,83. Praticamente un pareggio.

• Unità — token al secondo di output sul lato Google; byte UTF-8 di input sul lato Fish Audio. Entrambe sono unità oneste. Non sono la stessa unità, e qualsiasi confronto "per milione di X" che le mescola senza convertirle è rumore.

• La linea nascosta — una richiesta Drama 3 con l'intestazione del modello mancante o scritta male non fallisce, ma ricade su s2.1-pro e viene fatturata a $15,00 per milione di byte, che è un sovrapprezzo del 50% rispetto alla tariffa promozionale per un errore di battitura.

Cosa acquista davvero il prezzo di Google

Essere più economici all'ora è interessante solo se l'output è utilizzabile, e i numeri indipendenti dicono che lo è, con una forma specifica. Artificial Analysis colloca Google Gemini 3.8 Flash TTS al quinto posto nella Provider Voice Arena con un Elo di 1,283 e un $16.50 registrato nella classifica — sopra Fish Audio Drama 3, a 1,278 — e al ventiquattresimo posto nella Controlled Voice Arena con 1,053, sotto Drama 3, a 1,085. Quella divergenza riassume il modello in una riga: suona ottimo quando sono in gioco le voci di Google stesso e scende a metà classifica quando ogni modello viene giudicato sulle stesse voci di riferimento.

Il tabellone della pronuncia racconta una storia altrettanto limitata. Gemini 3.8 Flash TTS guida tutti i 31 modelli valutati nella categoria contestualmente appropriata con il 98,0%, e Drama 3 è al 95,3%. Non è il punto debole del modello. Il punto debole di Google in questo confronto è il controllo: Gemini offre 30 voci studio predefinite — tra cui Kore e Puck — con l'intero set di 130 lingue e il rilevamento automatico della lingua, e una libreria di voci che la documentazione descrive come "centinaia" nell'Extended Voice Library, mentre la pagina di marketing parla di oltre 2.000. Quei numeri non sono mai stati riconciliati dall'esterno, e se una voce specifica è fondamentale per il tuo prodotto, testare quella voce è l'unica risposta che chiunque possa darti onestamente.

Trenta voci utilizzabili senza clonazione vanno bene per un bot di supporto, un narratore di prodotto o un'app per l'apprendimento delle lingue. Non vanno bene per una pipeline di drammi, un gioco con dodici personaggi da assegnare o qualsiasi lavoro per un cliente in cui la voce è il prodotto finale. È questo il divario che Fish Audio colma, ed è un divario di tipo, non di grado.

Che cosa ti danno i pesi aperti, e quanto ti costa eseguirli

Fish Audio Drama 3 è un mixture-of-experts da 35 miliardi di parametri con circa 3 miliardi di parametri attivi per token, inizializzato da Qwen3.5-35B-A3B, 8 esperti instradati su 256 più uno condiviso, quaranta layer in blocchi di tre layer Gated DeltaNet e un layer gated full-attention. I pesi sono pubblicati su Hugging Face come fishaudio/drama-3 — circa 40 GB distribuiti su un set di shard più un file codec separato — e l'inferenza FP8 richiede circa 48 GB di VRAM senza alcun percorso CPU o ROCm documentato. Il serving avviene tramite SGLang-Omni, e il fornitore dichiara 271 frame al secondo su una singola H200 contro 177 per S2.

Quella linea hardware è il vero compromesso. Il prezzo di Google di 0,81 $ all'ora non include né spese in conto capitale né operazioni; il tuo unico costo fisso è la richiesta. La tariffa promozionale di Drama 3 di 0,83 $ all'ora è una tariffa API, e eseguirlo in autonomia trasforma quella cifra in una GPU da 48 GB, uno stack di serving e una persona che se ne prende carico. Per un catalogo di quaranta ore di audio al mese, l'API è ovviamente più economica. Per qualche migliaio di ore, o per qualsiasi cosa che debba funzionare senza un terzo coinvolto, i pesi cambiano completamente le carte in tavola — e sono l'unica cosa che Google non vende a nessun prezzo.

Anche la licenza è importante qui, perché è ciò che distingue gli "open weights" dal "gratuito". Drama 3 è pubblicato con la Fish Audio Community License v1.0: gratuito per ricerca e uso non commerciale, gratuito per uso commerciale sotto i 500.000 US$ di ricavi annuali per te e le tue affiliate, con una licenza separata necessaria oltre tale soglia o per offrire Drama 3 stesso come servizio ospitato di sintesi vocale o clonazione. Artificial Analysis lo contrassegna come open weights senza pieni diritti di uso commerciale. I termini di Google sono i normali termini API, che pongono una serie diversa di questioni: gestione dei dati anziché ridistribuzione.

Lingue, e un numero che fa meno di quanto sembra

Google dichiara {{1}}130 lingue{{/1}} con rilevamento automatico dal testo. Fish Audio ne dichiara {{2}}83{{/2}}, con un'altra capacità molto più strana allegata: le indicazioni possono essere scritte in {{3}}qualsiasi lingua{{/3}} e non devono corrispondere alla lingua del copione, e c'è un tag documentato di cambio lingua che fa passare una singola frase a un'altra lingua a metà riga — {{4}}contrassegnato come sperimentale{{/4}}. Sono prodotti diversi. Il numero di Google riguarda quanti mercati si possono raggiungere con un'unica integrazione. Quello di Fish Audio riguarda quanto precisamente si può produrre una singola riga, da un regista che potrebbe non condividere la lingua del copione.

Per un team che distribuisce un prodotto localizzato, 130 batte 83 e il rilevamento automatico è un vero risparmio operativo — nessun instradamento per lingua, nessuna selezione vocale per lingua. Per un team che produce contenuti in una o due lingue per un pubblico che se ne accorge, 83 non è un limite e la capacità di direzione in qualsiasi lingua è la più preziosa delle due funzionalità. Nessuno dei due numeri va letto come una posizione in classifica; il numero di lingue che un modello dichiara non è mai stato ben correlato con quanto sia bravo nella lingua di cui hai bisogno.

Dove si colloca ciascuno di essi in uno stack instradato

Questo è uno dei pochi articoli di questa serie in cui non sarebbe del tutto onesto sorvolare sul lato provider: OrcaRouter instrada i precedenti modelli vocali Gemini di Google — google/gemini-3.1-flash-tts-preview e google/gemini-2.5-flash-preview-tts figurano entrambi nel catalogo oggi — ma non Google Gemini 3.8 Flash TTS, né Fish Audio Drama 3. I modelli Gemini TTS più vecchi sono disponibili tramite noi al prezzo di listino di Google senza alcun ricarico; i due modelli di cui questo articolo parla davvero si raggiungono tramite le API proprietarie dei rispettivi fornitori e, nel caso di Fish Audio, tramite piattaforme di terze parti.

La conseguenza utile è che la parte maggiore di una fattura Google Speech può già stare dietro un'unica chiave, e il livello di failover è ciò che rende economico eseguire il confronto: metti una versione canary di Drama 3 accanto a una chiamata TTS Gemini 3.8 Flash, instrada il percorso di produzione verso quella che supera il tuo test di accettazione, e la scelta per segmento risiede nel DSL di routing anziché in due SDK. La fusione dei modelli è l'altra opzione che ne deriva — un pannello che genera la stessa riga con entrambi e sceglie in base a una regola definita da te, il che per la narrazione significa che puoi mantenere la pronuncia di Drama 3 sulle righe con codici e la lettura contestuale di Google sulla prosa.

La decisione, detta senza giri di parole: per l’inglese ad alto volume senza clonazione e senza alcuna propensione a gestire infrastrutture, Gemini 3.8 Flash TTS a $0,81 all’ora è il modello più economico e dal suono migliore sulle voci del provider, e la tesi a favore di Drama 3 non regge al confronto con il tariffario. Per qualsiasi cosa richieda voci personalizzate o del cast, indicazioni parola per parola, controllo dei fonemi o la capacità di funzionare senza una terza parte, Drama 3 è l’unico dei due che possa fare il lavoro — al prezzo di listino costa cinque volte quello di Google all’ora, e durante la promozione costa lo stesso, il che rende le prossime due settimane la finestra più economica che chiunque avrà per scoprire se il vantaggio di pronuncia vale la pena di essere costruito attorno.