Fish Audio Drama 3 vs VoxCPM2: una classifica contro una scheda tecnica

Fish Audio Drama 3 ha un punteggio Elo, VoxCPM2 no: questo rende impossibile il confronto ovvio tra i due e facile lasciarsi sfuggire quello interessante. Drama 3, annunciato il 13 ottobre 2026 e valutato da Artificial Analysis da allora, occupa il sesto posto su 100 nella Provider Voice Arena con 1.278. VoxCPM2 non ha una riga in nessuna delle classifiche vocali di Artificial Analysis ed è assente da entrambe le arene citate in questa pagina. Ciò che entrambi i laboratori pubblicano è Seed-TTS-eval, e lì i numeri dicono qualcosa che una singola classifica non potrebbe: nella prova di ciascun fornitore, Drama 3 necessita di due passaggi per battere il singolo passaggio di VoxCPM2. La scelta tra questi due modelli non riguarda davvero la qualità. Riguarda se volete un motore prestazionale che noleggiate a carattere, oppure un modello da due miliardi di parametri che potete possedere.

Uno ha un Elo, l'altro ha una scheda tecnica.

L'asimmetria merita di essere dichiarata apertamente, perché la maggior parte delle pagine di confronto la sorvola in silenzio. Drama 3 è presente in ogni classifica che conta: sesto su 100 nel Provider Voice Arena con 1.278, dodicesimo su 49 nel Controlled Voice Arena con 1.085, primo a pari merito su 31 nella robustezza della pronuncia inglese con il 93,2%. VoxCPM2 non appare in nessuna di esse.

Quell'assenza non è uno scandalo, e non è nuova. VoxCPM2 è disponibile dalla primavera 2026 — la documentazione del progetto data la linea 2.0 a marzo, il repository la tagga 2026.04, e il report tecnico è arrivato a giugno come arXiv:2606.06928 — e in tutto questo tempo nessuno l'ha inserito in un'arena di ascolto cieco. La spiegazione più probabile è banale: gli slot delle arena vengono di solito riempiti da fornitori che hanno un endpoint ospitato da promuovere, e OpenBMB non ne vende uno. VoxCPM2 distribuisce i pesi su Hugging Face e ModelScope e un server /v1/audio/speech compatibile OpenAI tramite vLLM-Omni, e questa è tutta la storia della distribuzione.

Quindi la posizione onesta è questa: possiamo confrontare Drama 3 con un punteggio, oppure possiamo confrontare i due modelli l'uno con l'altro. Non possiamo fare entrambe le cose contemporaneamente, e qualsiasi pagina che presenti un Elo VoxCPM2 contro Drama 3 ne sta inventando uno.

L'unico asse che entrambi pubblicano

Seed-TTS-eval è quanto di più vicino a un metro di paragone comune esista in questo campo, e entrambi i laboratori lo riportano. Il problema è che nessuno dei due pubblica una tabella completa nello stesso formato, quindi quello che segue sono due fornitori che si misurano da soli.

• Tasso di errore delle parole inglesi — Drama 3 riporta 1,54% su una ripresa finale e 2,20% sulla sua prima ripresa; VoxCPM2 riporta 1,84% in una singola passata. La ripresa finale di Drama 3 è il migliore dei tre valori e la sua prima ripresa è il peggiore.

• Tasso di errore in cinese — Drama 3 a 0,83% CER su un take finale, 1,00% sul primo; VoxCPM2 a 0,97% CER. Stesso schema, con il take finale di Drama 3 in vantaggio e il suo primo pressoché alla pari.

• Somiglianza del parlante — Drama 3 riporta 0,640 in inglese (su una scala 0–1); VoxCPM2 riporta 75,3 in inglese e 79,5 in cinese, che secondo la convenzione 0–100 usata altrove nel suo report corrispondono a 0,753 e 0,795. VoxCPM2 è il cloner più forte stando ai suoi stessi numeri.

• Stress più ampio — VoxCPM2 pubblica anche i tassi di errore CV3-eval su undici lingue (3.65% zh, 5.00% en, 8.55% hard-zh, 9.85% fr, 4.25% it, 5.21% ru) e una media interna su 30 lingue pari a 1.68%. Drama 3 non pubblica una tabella equivalente di errori per lingua, quindi non c'è nulla da mettere accanto a questi dati.

Prendi sul serio il divario di similarità e alla leggera quello nel tasso di errore sulle parole. La similarità del parlante è la metrica con più probabilità di sopravvivere a una differenza di harness, perché è una distanza coseno tra gli embedding dello stesso audio di riferimento. I tassi di errore sulle parole dipendono dalla normalizzazione, dal preprocessing del testo e da quali clip di riferimento sono state usate, e i due laboratori non erano tenuti a concordare su nulla di tutto ciò. La direzione è credibile — VoxCPM2 clona in modo più fedele, Drama 3 trascrive in modo più accurato dopo la revisione — ma le magnitudini non sono una misurazione.

La tassa di revisione che nessuno mette nel titolo

1,54% e 2,20% sono lo stesso modello sullo stesso test, e differiscono solo per il fatto che la take sia stata accettata al primo tentativo. Il rapporto tecnico di Fish Audio è insolitamente onesto al riguardo: riporta entrambi i valori, perché la revisione su più take è il prodotto stesso. La proposta è che dai le indicazioni su una battuta in linguaggio naturale, ascolti, correggi la direzione e tieni la take che preferisci — e il benchmark riflette quella tenuta.

Se è così che funziona la tua pipeline, l'1,54% è il numero che vedrai. Se stai erogando una singola passata in streaming verso una chiamata dal vivo, una battuta di dialogo di un gioco o un rendering in batch senza intervento umano, stai pagando il 2,20% — peggiore dell'1,84% in passata singola di VoxCPM2. Quell'inversione è il fatto più utile in questo confronto e quello che nessuna delle tabelle dei due fornitori rende evidente. Quantifica anche il costo del flusso di lavoro: ogni take aggiuntivo è un'altra sintesi completa, e Drama 3 fattura in base ai caratteri di input, quindi un'abitudine ai tre take triplica la fattura.

VoxCPM2 non dispone di un meccanismo di revisione di questo tipo. Offre quattro modalità di generazione — zero-shot, continuazione, solo riferimento e riferimento combinato con audio di prompt — e la sua risposta a un take sbagliato consiste nel generare di nuovo con tag di stile diversi. Più economico per tentativo, perché non si paga per carattere, ma senza memoria a livello di modello del take rifiutato.

Il limite hardware è la decisione effettiva.

È qui che i due modelli smettono di essere sostituti.

• Ingombro di VoxCPM2 — circa 8 GB di VRAM, un fattore in tempo reale di circa 0,30 su una RTX 4090 e 0,13 con Nano-VLLM; il progetto riporta anche 1,76 con Q8_0 su un Apple M4 Pro tramite llama.cpp-omni. Gira su una workstation.

• Impronta di Drama 3 — Fish Audio non pubblica alcun minimo di VRAM. La sua tabella di throughput è stata misurata su H200: 166,7 frame al secondo e un primo audio mediano di 88,9 ms con un solo stream concorrente, 927,6 frame/s con sedici, 1.687 frame/s con sessantaquattro, con un RTF di 0,131 nell'impostazione a stream singolo. I recensori collocano il requisito bf16 su una scheda da 48 GB, e le build community a 4 bit dichiarano circa 32 GB. Gira su un server o su quello di qualcun altro.

• Avvertenza sul throughput — il post di lancio cita 271 frame al secondo da un singolo H200, mentre la tabella di streaming della model card arriva al massimo a 166,7 con una singola richiesta. Entrambe possono essere vere in configurazioni di misurazione diverse, ma ciò significa che il dato di velocità in evidenza non è quello che il tuo test di carico riprodurrà.

Segue l'aritmetica. Un milione di caratteri corrisponde più o meno a quindici-venti ore di parlato finito a un ritmo di narrazione ordinario. Su una 4090 con un RTF di 0,30 ciò significa da cinque a sei ore di tempo GPU; sull'API di Fish Audio sono 10 USD durante la promozione di lancio e 50 USD dopo la sua conclusione il 12 novembre. L'auto-hosting di VoxCPM2 costa meno per ora di audio e molto meno per ora di sperimentazione: puoi iterare sul design di una voce per un pomeriggio intero senza guardare un meter.

Il routing non annulla quella scelta, quindi vale la pena essere precisi su ciò che fa. OrcaRouter non ospita nessuno dei due modelli; Drama 3 è disponibile tramite l'API proprietaria di Fish Audio e diverse piattaforme di terze parti, mentre VoxCPM2 è disponibile come pesi che servi tu stesso. Quello che forniamo è la parte vocale della pipeline attorno a loro — la linea TTS di Gemini e TTS-1-HD di OpenAI, con failover automatico tra provider, così un endpoint ospitato che smette di essere operativo non fa cadere il prodotto insieme a esso. Se la domanda è «quale di questi due eseguo», la risposta è determinata dalla VRAM, non dal routing.

Dirigere una performance anziché progettare una voce

I due modelli divergono su dove si svolga il lavoro creativo, e questa divergenza è di natura architetturale, non cosmetica.

Drama 3 è uno strumento per registi. Scrivi le istruzioni tra parentesi quadre prima delle parole a cui si riferiscono — [con la voce strozzata, piangendo in silenzio] — e le cambi a metà frase. I tag appaiati circoscrivono un'indicazione a parole specifiche: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. La pronuncia può essere fissata fonema per fonema con CMU Arpabet, pinyin o romaji, e le scene accettano un ID voce per ogni parlante sotto forma di array. È possibile revisionare più take facendo riferimento a quelli precedenti, e l'inpainting a livello di parola riesegue il rendering di una singola parola contrassegnata per adattarla al take che la circonda — anche se sia la modifica interattiva sia l'inpainting sono ancora in test solo su invito, con un'API di modifica indicata come in arrivo.

VoxCPM2 è uno strumento di progettazione. La sua funzionalità di punta è Voice Design: descrivi un parlatore in linguaggio naturale e ottieni una voce senza alcun audio di riferimento. Oltre a questo, fa clonazione zero-shot, continuazione da un prompt, clonazione basata solo su riferimento con un canale di riferimento isolato (così non serve la trascrizione corrispondente al clip) e controllo dello stile tramite tag. Il limite è l'ambito: modella una voce e un modo di parlare, non una scena. Non c'è sintassi per array di parlatori, né modalità di dialogo multi-personaggio, né riparazione a livello di parola.

Per un audio dramma a due interpreti, quella differenza lo decide prima di qualsiasi benchmark. Per un prodotto che richiede una voce di marca coerente in tutto un catalogo, la modalità design di VoxCPM2 è la strada più breve e la sintassi di direzione di Drama 3 è per lo più un sovraccarico.

Frequenza di campionamento, lingue e l'argomento codec

• Output — VoxCPM2 emette a 48 kHz tramite un AudioVAE V2 asimmetrico che codifica a 16 kHz e decodifica a 48 kHz; Drama 3 resta a 44,1 kHz, generando tramite un Descript Audio Codec a dieci codebook a circa 21,5 frame al secondo. I 3,9 kHz extra di VoxCPM2 sono reali ma raramente udibili accanto a un formato di distribuzione compresso.

• Architettura — VoxCPM2 è privo di tokenizer per concezione: predice latenti continui direttamente su un backbone MiniCPM-4 e sostiene che il codec audio sia il collo di bottiglia; Drama 3 mantiene i token discreti e impegna i suoi 35B in un decoder di predizione multi-token a codebook che predice i nove codebook residui dopo i primi due. Due scommesse su dove si collochi il tetto di qualità.

• Lingue — 83 dichiarate per Drama 3, contro 30 per VoxCPM2 più nove dialetti cinesi (sichuanese, cantonese, wu, nordorientale, henan, shaanxi, shandong, tianjin, minnan). Se ti servono thai, vietnamita, ebraico e swahili, VoxCPM2 li ha tutti e quattro e Drama 3 non è chiaramente migliore in nessuno di essi; se ti servono 83, solo uno di questi è in discussione.

• Dati di addestramento — VoxCPM2 è stato addestrato su 2,36 milioni di ore di parlato (1,8 milioni in cinese e inglese più 560.000 multilingue), una cifra che la sua documentazione pubblica con precisione. Fish Audio non ne pubblica un equivalente, il che non è tanto una critica quanto un altro punto in cui i due paper non sono scritti per essere confrontati.

La licenza: l'unico aspetto in cui VoxCPM2 vince nettamente

VoxCPM2 è distribuito con licenza Apache 2.0. Qualsiasi azienda, indipendentemente dal fatturato, può incorporarlo, modificarlo, sottoporlo a fine-tuning, ridistribuirlo e vendere i risultati, senza soglie né trattative. Il fine-tuning LoRA e SFT è supportato e documentato.

Drama 3 è distribuito con la Fish Audio Community License v1.0: gratuito per la ricerca e le attività non commerciali, gratuito per l'uso commerciale finché tu e le tue affiliate restate sotto i 500.000 US$ di ricavi annui, e una licenza negoziata oltre tale soglia — o a qualsiasi livello di ricavi se desideri offrire Drama 3 come servizio di TTS, clonazione vocale o inferenza. L'audio finale consegnato ai clienti è esplicitamente consentito a qualsiasi livello di ricavi; un'API di sintesi concorrente non lo è. Artificial Analysis lo segnala come "pesi aperti senza diritti di uso commerciale", che è un'onesta sintesi in una riga della soglia.

C'è anche un dettaglio da verificare anziché dare per fidato: i metadati di Hugging Face per fishaudio/drama-3 riportano ancora fish-audio-research-license, mentre il testo della card descrive la Community License. Leggi il file di licenza nel repository prima di costruire un prodotto basandoti sul tag.

Per un'azienda finanziata che lancia una funzionalità vocale, questo è l'intero confronto in una riga: VoxCPM2 non ti costa nulla in termini di revisione legale, Drama 3 ti costa una conversazione con un team commerciale.

Scegli in base al vincolo, non al punteggio.

Hai una GPU e un prodotto da consegnare. VoxCPM2. Otto gigabyte, Apache 2.0, 48 kHz e una modalità di progettazione vocale che ti offre una voce di brand utilizzabile già dal primo pomeriggio. Rinunci alla direzione delle scene e al miglior punteggio di voce del provider della categoria.

Stai producendo audio con copione con una persona nel ciclo.Drama 3. Le indicazioni tra parentesi quadre, i tag con ambito definito, gli spostamenti a metà frase e la correzione a livello di parola sono la cosa più vicina a una sessione di registrazione che i pesi aperti abbiano, e il WER inglese dell'1,54% è ciò che si ottiene dal ciclo di revisione. Prevedi nel budget il cambio di prezzo del 12 novembre e leggi prima la clausola di servizio.

Ti serve una lingua al di fuori delle trenta.Drama 3, o nessuna delle due — ma verifica la lingua specifica rispetto alle dichiarazioni di copertura di Fish Audio stesso, piuttosto che all'"83" riportato sulla confezione.

Stai clonando su larga scala la voce di una persona specifica. La similarità del parlante di VoxCPM2 è il valore migliore in questa pagina, e il suo canale di riferimento isolato significa che puoi clonare da un clip senza una trascrizione corrispondente. Il vantaggio di Drama 3 è la direzione, non la fedeltà a un riferimento.

L'unica cosa da non fare è metterli in classifica. Non esiste un'arena condivisa, né uno studio condiviso sulle preferenze umane, né un banco di prova condiviso per gli errori: solo un modello con un Elo e uno con una scheda tecnica, e una decisione che dipende dall'hardware che possiedi e da ciò che la licenza ti consente di farne.