Fish Audio Drama 3 vs Ming 3.0 TTS: il vantaggio di 91 punti che svanisce con una voce clonata

Fish Audio Drama 3 supera Ming 3.0 TTS di 91 punti Elo nella classifica in cui ciascun modello parla con il proprio cast di voci, e di 17 in quella in cui a entrambi vengono forniti gli stessi otto riferimenti clonati — un divario abbastanza stretto che i loro intervalli di confidenza si sovrappongono. Entrambi sono modelli open-weight pubblicati nelle ultime sei settimane, entrambi sono valutati da Artificial Analysis e, nell'unico test che chiede a una persona se una parola difficile è davvero uscita bene dalla bocca, si attestano al 93,2%. Tre numeri, due dei quali puntano in direzioni diverse. Quello in cui credi decide quale modello acquisti, e la risposta dipende dal fatto che il tuo prodotto suoni come se stesso o come qualcun altro.

Due uscite, a sei settimane di distanza, costruite su scale opposte

Drama 3 è stato annunciato il 13 ottobre 2026 ed è disponibile sull'API di Fish Audio come drama-3, con i pesi su Hugging Face sotto una nuova licenza community. Ming 3.0 TTS è arrivato più in sordina e a pezzi: i repository Hugging Face di InclusionAI sono comparsi il 22 settembre, i pesi 0.5B il 24 settembre e il codice di inferenza solo il 19 ottobre — ecco perché Artificial Analysis non ha potuto valutarlo prima del 20 ottobre. Ant Group non ha mai pubblicato un post di lancio per esso e non dispone di alcun endpoint ospitato né di un prezzo di listino.

Le schede tecniche non sono affatto vicine, e questa è la prima cosa da capire prima che le classifiche significhino qualcosa.

• Parametri — miscela di esperti da 35B con circa 3B attivi per token, inizializzata da Qwen3.5-35B-A3B e con instradamento di 8 esperti su 256 più un esperto condiviso, rispetto a un modello denso da 0,5B su una base Qwen2.5-0.5B. Ant fornisce anche un MoE da 7,9B totali / 1,3B attivi chiamato Ming-3.0-tts-tiny, che non ha alcun punteggio indipendente.

• Copertura linguistica — 83 lingue dichiarate per {{1}}Drama 3{{/1}}, contro sette per il checkpoint {{2}}0.5B Ming{{/2}} (cinese, inglese, tedesco, spagnolo, francese, coreano, giapponese) più il sichuanese e il cantonese quando si fornisce un clip di riferimento dialettale.

• Output — 44,1 kHz da entrambi, generati tramite meccanismi molto diversi: Drama 3 mantiene il tokenizer Descript Audio Codec del suo predecessore a dieci codebook e circa 21,5 frame al secondo, mentre Ming decodifica un latente continuo tramite un AudioVAE.

• Pesi e licenza: Drama 3 con la Fish Audio Community License v1.0, gratuito sotto i 500.000 US$ di ricavi annuali e negoziabile al di sopra di tale soglia o se si rivende la sintesi come servizio. Ming 3.0 TTS con licenza MIT, senza alcun limite di ricavi.

• Prezzo — US$50 per milione di byte UTF-8 a listino, scontato a US$10 fino al 12 novembre 2026, a fronte di nessun prezzo perché non c'è nulla da acquistare: scarichi il checkpoint da 2,96 GB e lo esegui.

La differenza di scala ha effetti in entrambe le direzioni. Il backbone da 35B di Drama 3 è ciò che gli consente di mantenere una direzione lungo un copione lungo e di inserire più parlanti in un'unica scena, con un ID voce per parlante passato come array; è anche il motivo per cui nessuno lo metterà su un laptop. Il modello da 0,5B di Ming è un modello che puoi servire su una singola GPU modesta e sottoporre a fine-tuning su una GPU noleggiata.

Perché Artificial Analysis fornisce due risposte diverse

La classifica che tutti citano per prima è la Provider Voice Arena, e lì Drama 3 ha aperto un vero vantaggio. Al 29 ottobre si trova al sesto posto su 100 modelli con un Elo di 1.278, con un prezzo indicato da Artificial Analysis pari a 15 US$ per milione di caratteri nelle sue impostazioni predefinite. Ming 3.0 TTS è ventiquattresimo a 1.187, senza prezzo registrato perché non esiste un endpoint commerciale da registrare. Un divario di 91 punti in una classifica i cui intervalli di confidenza sono intorno a ±13–±18 non è rumore; le voci native di Drama 3 sono preferite, e chiaramente. Un dettaglio della stessa tabella spiega in parte il perché: Artificial Analysis ha valutato Ming rispetto a tre voci dell’arena e Drama 3 rispetto a otto.

La seconda classifica pone una domanda diversa, e il vantaggio svanisce. Il Controlled Voice Arena assegna a ogni sistema le stesse otto voci clonate — quattro statunitensi, quattro britanniche — così il confronto smette di riguardare quali attori vocali siano migliori e inizia a riguardare quanto bene ogni modello indossi la voce di qualcun altro. Lì Drama 3 ottiene 1.085, al dodicesimo posto su 49, con un intervallo da 1.069 a 1.101. Ming ottiene 1.068, al diciassettesimo posto, con un intervallo da 1.053 a 1.083. Gli intervalli condividono l’intervallo 1.069-1.083. È un pareggio, e dire il contrario significherebbe attribuire una precisione a un sondaggio che non la possiede.

Nota anche che Artificial Analysis mantiene ancora una riga separata Drama 3 Preview su quella classifica a 1,063, al ventesimo posto. Il checkpoint di produzione e l'anteprima rilasciata a settembre sono valutati come due sistemi diversi, perciò un confronto che cita "Drama 3" senza indicare a quale riga si riferisce non è un confronto. I nostri numeri qui sono quelli della riga di produzione.

La lettura pratica: se il tuo prodotto include un proprio cast vocale — un narratore, un agente di assistenza, un personaggio in-game — il vantaggio di Drama 3 è reale e consistente. Se il tuo prodotto clona la voce di un cliente o di un creator e parla con quella, i due modelli sono di fatto alla pari, e la decisione ricade invece su prezzo, licenza e copertura linguistica.

Il pareggio del 93,2% nella pronuncia è quattro risultati diversi

Entrambi i modelli sono indicati al 93,2% nel test di robustezza della pronuncia inglese di Artificial Analysis — il risultato che la classifica ha pubblicato il 20 ottobre, ponendoli primi a pari merito su 31 sistemi e davanti a Eleven v4 al 91,7%. Quel titolo è stato ripetuto ovunque e nasconde l'unica parte che conta sul piano operativo: i due modelli falliscono su tipi di testo opposti.

• Sequenze esatte — Ming le preserva al 90,6%, primo su 31; il dato equivalente di Drama 3 è 86,3%. Numeri d'ordine, URL, percorsi dei file e codici seriali sopravvivono meglio con Ming.

• Espansione delle forme abbreviate — Ming 96,5%, anche al primo posto su 31, contro il 93,6% di Drama 3. Date, unità e abbreviazioni pronunciate a voce invece che lettera per lettera.

• Termini autonomi — Drama 3 al 95,9% contro Ming all'88,5%, dove Ming si classifica ventunesimo su 31. Nomi di marchi, nomi di luoghi e lessico tecnico sono la categoria più forte di Drama 3.

• Termini contestualmente appropriati — Drama 3 al 95,3%, Ming al 91,0% e tredicesimo su 31.

La debolezza di Ming sui nomi isolati riflette il suo inventario vocale: il modello 0.5B include più di cento voci cinesi integrate e cinque inglesi, quindi ha meno risorse per gestire i nomi propri inglesi. La debolezza di Drama 3 è l'immagine speculare: un modello addestrato a offrire una performance a volte presenterà un numero di codice come se fosse una performance.

Nessuna delle due percentuali del 93,2% è dichiarata dal fornitore. Entrambe provengono dallo stesso harness indipendente, ed è per questo che è possibile confrontarle — e vale la pena dire che questo è raro in questa categoria, dove la maggior parte delle tabelle pubblicate sul tasso di errore per parola viene prodotta dai laboratori sui propri prompt.

Quanto costa davvero un milione di caratteri

Drama 3 addebita in base alla dimensione dell'input: 50 USD per milione di byte UTF-8, ridotti a 10 USD fino al 12 novembre 2026 alle 09:00 ora del Pacifico. Quel salto di cinque volte il 13 novembre è il singolo numero più grande in questo confronto, e cambia la classifica dei due modelli sul costo per ora finita a seconda di quando lo si legge.

C'è anche una trappola di fatturazione che vale la pena conoscere prima di collegare qualsiasi cosa. Drama 3 mantiene lo stesso endpoint POST /v1/tts di S2.1 Pro, e se l'header del modello manca o è scritto male, la richiesta ricade silenziosamente su s2.1-pro e te la fattura. Ottieni un audio plausibile e nessun errore, quindi un errore di battitura in una variabile d'ambiente può passare inosservato per settimane prima che qualcuno noti che la voce è sbagliata.

Ming non ha alcuna fattura, il che non equivale a essere gratis. Si paga in ore di GPU e in tempo di ingegneria: il checkpoint 0.5B pesa 2,96 GB, richiede un audio VAE, un encoder speaker CAM++ e un tokenizer collegati tra loro, e non ha alcun impegno di supporto da parte del fornitore alle spalle. Ant ha pubblicato tabelle di benchmark e una demo Gradio, non un accordo sul livello di servizio.

Questo è il punto in cui un router è davvero utile e il punto in cui davvero non lo è. OrcaRouter trasmette il prezzo di listino del provider con un ricarico dello 0%, quindi una promozione del fornitore come quella di Fish Audio arriva lo stesso giorno su qualsiasi cosa instradiamo — Drama 3 non è tra questi, e neanche Ming. Gli endpoint vocali che effettivamente offriamo oggi sono la linea Gemini TTS di Google e TTS-1-HD di OpenAI, tutti raggiungibili tramite un'unica API dietro una singola chiave insieme ai modelli testuali. Se stai confrontando Drama 3 e Ming, nessun livello di routing ospiterà nessuno dei due per te; quello che una singola chiave ti offre è il resto della pipeline attorno a loro.

La licenza decide più di quanto non faccia la classifica.

MIT versus Fish Audio Community License v1.0 è il bivio più netto di questa coppia, e non è una questione filosofica. I termini MIT di Ming consentono a qualsiasi azienda di qualsiasi dimensione di incorporare il modello in un prodotto a pagamento, rivenderlo, affinarlo e distribuire il derivato, senza soglie di fatturato e senza dover parlare con Ant.

La licenza di Drama 3 è gratuita per la ricerca e il lavoro non commerciale, gratuita per l'uso commerciale finché tu e i tuoi affiliati restate sotto 500.000 USD di ricavi annui, e richiede una licenza negoziata sopra tale soglia — o a qualsiasi dimensione se vuoi offrire Drama 3 come servizio di sintesi vocale, clonazione o inferenza. Le FAQ della model card sono più chiare della maggior parte: l'audio finito per i clienti va bene, un'API di sintesi concorrente no.

Un dettaglio da verificare invece che dare per scontato: i metadati di Hugging Face per fishaudio/drama-3 riportano ancora fish-audio-research-license, mentre il testo della scheda descrive la Community License. Se sei tu la persona che approva il deployment, leggi il file di licenza nel repository, non il tag.

Per uno studio che produce audio drammi, la soglia dei 500.000 dollari non è un problema e la clausola sul servizio è quella da leggere. Per un'azienda che integra una funzione vocale in un prodotto oltre quella soglia di fatturato, Drama 3 è una questione da ufficio acquisti e Ming è un'installazione con pip.

Quale scegliere?

Voce di assistenza o transazionale, in inglese o cinese. Ming. Vince le due categorie che contano di più quando un bot rilegge un numero d'ordine o un riferimento di prenotazione, è MIT, e gira su hardware che hai già. Il pareggio con la voce clonata significa che non rinunci alla naturalezza per arrivarci.

Narrazione, audiodramma, script ricchi di marchi, molte lingue. Drama 3. La voce principale del provider è reale, i nomi propri sono la sua categoria più forte, e 83 lingue contro sette non è un divario che si colma con il prompt engineering. Preventiva la variazione di prezzo di novembre e leggi la clausola del servizio.

Una pipeline che esegue già più take. Drama 3, ma solo se usi davvero il ciclo di revisione. Fish Audio lo ha addestrato con un modello di ricompensa basato sulle preferenze umane e propone la revisione multi-turno come il modo per ottenere la performance desiderata; Ming è un modello single-shot senza alcun meccanismo di revisione da contrapporre, quindi la struttura dei take è un motivo per scegliere Drama 3 anziché un motivo per confrontarli.

Qualsiasi deployment in cui la VRAM rappresenta il vincolo. Ming, senza discussione. Un mixture of experts da 35B che viene benchmarkato su H200 non è un modello che esegui perché è comodo.

Cosa guardare

Tre date e una lacuna. Il 13 novembre scade il prezzo promozionale di Drama 3 e US$10 diventa US$50, un balzo di cinque volte che riordinerà da un giorno all'altro ogni confronto sui costi in questa categoria. Prima di allora, tenete d'occhio se Artificial Analysis unirà le righe Drama 3 e Drama 3 Preview, perché una classifica che elenca un modello due volte invita esattamente al tipo di citazione sciatta che questo articolo cerca di evitare. E tenete d'occhio un punteggio su Ming-3.0-tts-tiny: la variante MoE da 7,9B è quella che Ant promuove effettivamente per la generazione di podcast, e al momento ha solo dati del fornitore — 0,820% di errore a livello di parola in cinese, 6,000% in coreano — senza nulla di indipendente alle spalle.

Il riassunto onesto è che queste non sono due versioni dello stesso prodotto. Uno è un piccolo cavallo di battaglia con licenza permissiva che risulta eccellente proprio con quel tipo di testo che manda in tilt i sistemi vocali; l’altro è un motore ad alte prestazioni di grandi dimensioni, vincolato da licenza, che risulta il modello open dal suono migliore in classifica quando usa il proprio cast. Il vantaggio di 91 punti è reale. Appartiene semplicemente a una domanda che la maggior parte dei prodotti non si pone.