Fish Audio Drama 3 vs Inworld Realtime TTS-2: uno legge un copione, l'altro segue una conversazione

La parola "Realtime" in Inworld Realtime TTS-2 è un'affermazione sulla latenza, non una descrizione di ciò che fa il modello. Il prodotto speech-to-speech di Inworld per le conversazioni dal vivo è una voce separata nella sua pagina dei prezzi; Realtime TTS-2 è un modello text-to-speech abbastanza veloce per l'uso interattivo. Questa distinzione conta nel momento in cui lo si mette a confronto con Fish Audio Drama 3, che è costruito per il compito opposto — un modello da 35 miliardi di parametri il cui intero design consiste nel fatto che si scrivono indicazioni di regia nel copione prima che venga pronunciata una singola battuta. Mettendoli a confronto su Artificial Analysis, la separazione è insolitamente netta: Drama 3 guida la Provider Voice Arena con 11 punti di vantaggio, e Inworld guida la Controlled Voice Arena con 61. La direzione di questo divario dice di più su a cosa serve ciascuno di essi di quanto non faccia ognuno dei due numeri da solo.

Due prodotti che non hanno mai puntato alla stessa cosa

Inworld Realtime TTS-2 è nato come anteprima di ricerca il 2026-05-05 e ha raggiunto la disponibilità generale il 2026-09-02. La proposta al momento della disponibilità generale non riguardava la fedeltà: era che il modello prende i turni precedenti di una conversazione, sotto forma di audio, e ragiona su tono e ritmo prima di decidere come dovrebbe suonare la battuta successiva. Questa è una funzionalità per agenti conversazionali. Un bot di supporto che ha appena ascoltato un cliente frustrato non ha bisogno di un'indicazione di scena: ha bisogno di dedurne una da ciò che è appena stato detto.

Fish Audio Drama 3, pubblicato il 13 ottobre 2026, va nella direzione opposta. Ogni funzionalità che pubblicizza riguarda l’autorialità esplicita: indicazioni tra parentesi quadre prima della frase a cui si riferiscono, eventi sonori e di pausa inseriti a metà riga, tag appaiati che modificano solo le parole racchiuse (whisper, emphasis, soft, fast, slow, stress, forceful), fissaggio dei fonemi per la pronuncia, un tag di cambio lingua per una singola frase, indicazioni scritte in una lingua diversa dal copione e dialogo multi-voce in un’unica richiesta tramite un array reference_id con tag speaker per ogni turno. Niente di quell’elenco è deducibile dal contesto. Tutto ciò è qualcosa che chi scrive digita.

Quindi l'impostazione onesta non è «quale sia migliore» ma «quale fallimento non puoi tollerare». Una pipeline drammaturgica che deve renderizzare una scena con dodici personaggi con continuità emotiva non ci arriverà con un modello progettato per dedurre il tono da una cronologia di chat. Un agente vocale che deve rispondere in meno di un secondo non ci arriverà con un modello che richiede una didascalia e 48 GB di VRAM. La sovrapposizione in cui entrambi sono davvero praticabili è ristretta: narrazione sceneggiata e di alta qualità erogata tramite un'API per contenuti interattivi — anteprime di audiolibri, battute brevi degli NPC pre-renderizzate, VO marketing che deve essere rigenerata secondo una pianificazione.

Le tavole, lette nell'ordine corretto

Entrambi i valori riportati di seguito sono stati letti da Artificial Analysis il 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 al 6° posto con 1.278 e un costo di $15,00 per milione di caratteri registrato nella classifica; Inworld Realtime TTS-2 all'8° posto con 1.267 e $20,80. Inworld Realtime TTS-2 Flash si trova al 19° posto nella classifica controllata con 1.065.

Controlled Voice Arena — Fish Audio Drama 3 al 12° posto con 1.085; Inworld Realtime TTS-2 al 7° posto con 1.146. Qui Inworld è in vantaggio di 61 punti.

• L'asimmetria — il vantaggio di 11 punti di Drama 3 sui provider si riduce e si inverte nel momento in cui il confronto viene eseguito su voci di riferimento identiche anziché sul catalogo di ciascun fornitore. Il suo primato è in gran parte un primato tra le voci che Fish Audio mette a disposizione; quello di Inworld no.

• L'altra asimmetria — le due voci di Inworld si distribuiscono lungo la classifica, il flagship a 1.146 e Flash a 1.065, con un divario di 81 punti tra i livelli della stessa famiglia. Drama 3 non ha alcun livello inferiore; o si usa il modello 35B o si ricorre a qualcos'altro.

Questo è il pattern opposto rispetto alle stesse due classifiche con Google Gemini 3.8 Flash TTS, dove il modello chiuso ha vinto sulle voci del provider e ha perso sulla controllata. Nessuno dei due pattern è rumore; entrambi sono promemoria del fatto che un singolo numero dell'arena descrive il bundle modello più libreria vocale, e solo la classifica controllata isola il modello.

Consapevolezza del contesto versus direzione, concretamente

L'annuncio GA di Inworld Realtime TTS-2 descrive un modello che legge la cronologia della conversazione — i turni precedenti come audio — e la usa per modellare ritmo e tono. Si tratta di un'affermazione del fornitore, non di una capacità valutata in modo indipendente, e le arene di Artificial Analysis non la testano; testano singole battute rispetto a voci di riferimento. Quindi la funzionalità che Inworld sta effettivamente vendendo è quella che nessun benchmark pubblico misura attualmente. Tratta l'affermazione come promettente ma non testata, e testala sul tuo dialogo invece che su una classifica.

Le capacità di regia di Drama 3 sono misurabili in senso stretto, nel senso che puoi vedere l'output cambiare quando cambi una parentesi, e Fish Audio documenta ciascuna di esse con audio di esempio. La funzione che nessun concorrente in questo confronto eguaglia è la direzione indipendente dalla lingua: una direzione scritta in cinese davanti a una battuta in inglese, documentata e dimostrata. Per un team internazionale di post-produzione, rappresenta un vero sblocco operativo più che un semplice optional, ed è il genere di cosa che si manifesta in un progetto pilota entro un'ora.

Il test pratico per un team che deve scegliere tra i due è una pagina del vostro dialogo. Generatela con il contesto conversazionale di Inworld impostato come lo sarebbe in produzione, e generatela con Drama 3 e istruzioni esplicite. Quella che produce meno righe da correggere a mano è la risposta, e sarà una risposta diversa per un agente di chat rispetto a un radiodramma.

Clonazione, latenza e i numeri su cui puoi contare

Il clonaggio vocale istantaneo di Inworld accetta da 5 a 15 secondi di audio di riferimento, e la sua beta di clonaggio professionale richiede circa 10 minuti di audio per un clone ad alta fedeltà. Questi sono dati del fornitore e sono abbastanza specifici da poter essere testati. Il clonaggio di Fish Audio rientra nello stesso sistema di crediti della generazione, e Drama 3 utilizza gli stessi crediti di S2.1 Pro nei piani in abbonamento — ma la licenza è la parte che differisce, poiché la licenza community di Fish Audio vieta esplicitamente di clonare la voce di una persona reale senza consenso, mentre i termini di Inworld sono i normali termini API.

La latenza è il punto in cui Inworld è chiaramente lo strumento giusto, e il confronto non dovrebbe fingere il contrario. Realtime TTS-2 e il suo livello Flash sono stati creati per prodotti interattivi, con un livello Flash prezzato il 40% in meno rispetto al modello di punta proprio per i carichi di lavoro che ne hanno bisogno. Il dato di velocità pubblicato da Fish Audio per Drama 3 è di 271 frame al secondo su un singolo H200 contro 177 per S2 — un numero di throughput per il rendering in batch, non un tempo al primo byte per uno stream live. Se il tuo requisito è «la voce deve partire all'interno di un turno conversazionale», sei nel prodotto di Inworld, e nessun vantaggio di 11 punti di Drama 3 come provider cambia questo.

Prezzo, alla tariffa che pagherai effettivamente

Inworld Realtime TTS-2 costa $25,00 per milione di caratteri on demand, passando a $20,00 con il piano Creator da $25, $17,50 con Builder, $15,00 con Developer e $12,50 con Growth, mentre Flash costa $15,00 on demand e scende a $7,00 con Growth. Fish Audio Drama 3 costa $50,00 per milione di byte UTF-8 a listino e $10,00 durante la promozione di lancio fino al 12 novembre 2026 alle 09:00 PT. Su uno script inglese di 100.000 caratteri, sono $2,50 alla tariffa on demand di Inworld contro $5,00 per Drama 3 a listino, oppure $1,00 durante la promozione.

Tre avvertenze vanno considerate dentro quel calcolo, non al di sotto di esso. Drama 3 fattura per byte UTF-8, quindi uno script CJK costa un multiplo di quanto costi uno in inglese a parità di numero di caratteri, mentre la tariffa per carattere di Inworld non cambia. Le parentesi di direzione di Drama 3 vengono fatturate come testo di input, il che comporta un aumento del 10-25% su uno script ricco di indicazioni — esattamente gli script in cui serve il modello. E il fallback di Fish Audio è silenzioso: una richiesta la cui intestazione del modello manca o non corrisponde esattamente viene servita e fatturata come s2.1-pro a 15,00 $ per milione di byte anziché rifiutata.

Il confronto che sopravvive a tutte e tre le avvertenze è più breve di quanto suggeriscano le tabelle dei prezzi. A listino, Inworld costa circa la metà di Drama 3 per carattere in inglese ed è migliore di essa sulle voci controllate. Durante la promozione, Drama 3 costa un terzo del prezzo di Inworld. Chi decide solo in base al prezzo sta scegliendo una data, non un prodotto.

Nessuno dei due è nel nostro catalogo, e cosa cambia questo

Fish Audio Drama 3 e Inworld Realtime TTS-2 si raggiungono entrambi tramite le API dei rispettivi fornitori e tramite piattaforme di terze parti; nessuno dei due è tra i modelli su OrcaRouter, e la tesi sul routing qui riguarda il resto dello stack piuttosto che questi due. Un prodotto vocale raramente chiama un solo modello vocale e nient'altro — chiama un LLM per la battuta, un modello vocale per l'audio, a volte un secondo modello vocale per un segmento diverso, e ha una scadenza. Consolidare la metà non vocale dietro una sola chiave al prezzo di listino del fornitore, senza ricarichi, con failover automatico, così che un singolo intoppo a monte non blocchi il rendering, è ciò che mantiene la scelta del modello vocale una decisione di configurazione anziché di architettura.

È nella pipeline mista che il routing DSL dimostra il proprio valore in questo specifico abbinamento: battute drammatiche pre-renderizzate tramite Drama 3 e turni conversazionali dal vivo tramite Inworld, indirizzati come due route su un'unica chiave, con la scelta effettuata per segmento. La fusione dei modelli copre il caso in cui non riesci a decidere: renderizza la stessa battuta attraverso entrambi, valutala con un punteggio rispetto a un riferimento e tieni il vincitore. Nessuna delle due è un modo per aggirare il prezzo di alcuno dei due fornitori. Sono un modo per aggirare la necessità di mantenere due integrazioni per risparmiare una riga in un file di configurazione.

Per un lettore che deve decidere: Inworld Realtime TTS-2 se il parlato deve reagire a una conversazione, se la latenza è il vincolo, se vuoi un livello Flash per assorbire il volume e se un'API chiusa è accettabile. Fish Audio Drama 3 se il parlato è scritto anziché reattivo, se la pronuncia di nomi e codici deve essere affidabile, se la regia deve essere messa per iscritto, se vuoi i pesi o se il brief sarà scritto in una lingua diversa dallo script. Il vantaggio di 11 punti del fornitore è il numero meno importante di quell'elenco; il deficit controllato di 61 punti è quello da verificare rispetto alle tue voci di riferimento prima di impegnarti.