Fish Audio Live 3 vs Drama 3: un modello legge la sceneggiatura, l’altro ascolta la stanza

Fish Audio Live 3 e Fish Audio Drama 3 non sono due risposte alla stessa domanda, e trattarli come rivali è il modo più rapido per comprare quello sbagliato. Drama 3, pubblicato da Fish Audio il 2026-10-13, è un modello text-to-speech: gli si forniscono parole e una direzione di performance, e restituisce audio. Live 3, annunciato il 2026-11-10, è un modello vocale duplex per le chiamate degli agenti: ascolta mentre parla, decide quando una pausa significa "continua" e quando significa "ho finito", e può reagire in appena 186 millisecondi secondo Fish Audio. Uno è un renderer; l'altro è un interlocutore.

La confusione è comprensibile perché entrambi sono modelli Fish Audio, entrambi sono recenti ed entrambi vengono promossi come capaci di fare bene qualcosa che gli altri modelli Fish Audio non facevano bene. Ma si collocano a livelli diversi di uno stack vocale, sono documentati separatamente e solo uno di essi compare nel listino prezzi pubblicato di Fish Audio. Il confronto utile, quindi, non è quale sia migliore — è a quale compito sia effettivamente destinato ciascuno e dove si incontrano all’interno di un unico prodotto.

Cosa è documentato che ciascun modello faccia

Drama 3 è un modello text-to-speech, e le prove pubbliche a suo favore riguardano la preferenza e la pronuncia più che l'alternanza dei turni. Su Provider Voice Arena di Artificial Analysis si colloca al sesto posto con un Elo di 1.278; su Controlled Voice Arena, dove ogni modello viene giudicato rispetto alle stesse voci di riferimento, è dodicesimo con 1.085. In entrambe le classifiche è il modello open-weights meglio posizionato della tabella, e il precedente record Drama 3 Preview — quello che ha ottenuto la stampa a ottobre — è ancora elencato separatamente a 1.240 e 1.063. Sul benchmark English Pronunciation Robustness ottiene il 93,2% complessivo, primo a pari merito con Ming-3.0-tts tra 31 modelli valutati, con la disaggregazione per categoria che conta più del dato principale: 95,9% sui termini autonomi come marchi e nomi tecnici, 93,6% sull'espansione delle abbreviazioni come numeri e date, 86,3% sulla conservazione di sequenze esatte come codici e percorsi, e 95,3% sulla pronuncia appropriata al contesto.

Le prove pubbliche di Live 3 hanno una forma del tutto diversa. L'annuncio di Fish Audio è incentrato sulla conversazione anziché sul rendering, e i suoi tre esempi pratici riguardano tutti il tempismo.

• Un numero di telefono letto a blocchi — "415… 555… 0132" — in cui Live 3 potrebbe dire "mm-hmm" o "okay, 415" tra un blocco e l'altro e poi attendere il resto.

• Un chiamante che dice "sì" o "mm-hmm" mentre l'agente legge gli orari di apertura, dove Live 3 continua senza trattare la conferma come un'interruzione.

• Un chiamante che modifica un ordine a metà frase — "due pizze… no, tre. Tre grandi. E… anzi, una di quelle falla margherita" — dove Live 3 attende durante ogni correzione invece di agire sul primo ordine completo plausibile.

Fish Audio afferma che il modello può decidere di rispondere in appena 186 millisecondi, descrivendo brevi reazioni come "mm-hmm", "okay" e rapide conferme anziché risposte complete. Al lancio parla solo inglese ed è disponibile sulla Fish Agent Platform, tramite l'API di Fish Audio e on-premises per le aziende. Ciò che non ha è alcun benchmark pubblicato, alcun punteggio indipendente — Artificial Analysis non riporta alcuna riga Live 3 duplex al 2026-11-11 — né una voce nel tariffario di Fish Audio.

Perché le unità di prezzo ti dicono che sono prodotti diversi

Fish Audio fattura Drama 3 in byte UTF-8 del testo di input: 50,00 USD per milione di byte a listino, con una promozione di lancio di 10,00 USD per milione valida fino al 2026-11-30. La documentazione della stessa azienda converte un milione di byte UTF-8 in circa 180.000 parole inglesi, ovvero circa dodici ore di parlato — il che porta drama-3 a circa 4,17 USD all'ora di audio generato a listino, e a circa 0,83 USD all'ora durante la promozione. Tale unità esiste perché il TTS ha una quantità nota di testo in ingresso e una quantità nota di audio in uscita.

Live 3 non si adatta affatto a quell'unità, ed è assente dal listino prezzi. Una chiamata duplex di un agente non ha un copione fisso: l'audio in ingresso è qualunque cosa dica il chiamante, l'audio in uscita è quanto il modello sceglie di dire, e il costo interessante è in minuti di connessione anziché in byte di testo. Fish Audio non ha pubblicato quale unità di misura utilizzerà, ed è per questo che la colonna Live 3 in qualsiasi confronto dei costi è vuota anziché economica.

Ciò che i due modelli condividono è una piattaforma. Agent Platform di Fish Audio, attualmente in beta pubblica, ospita gli agenti Live 3 ed espone una superficie REST sotto /v1/agent/* con SDK JavaScript e React, canali per un widget web, un numero di telefono o un client personalizzato, e autenticazione tramite token di sessione. L'hook custom-LLM su quella piattaforma punta a un endpoint compatibile con OpenAI, che è il punto di innesto in cui si inserisce un livello di ragionamento di propria scelta.

Dove si incontrano in un unico prodotto

La domanda interessante non è quale modello vince, ma che aspetto ha un singolo prodotto quando entrambi vengono usati per ciò in cui sono bravi. Una linea di prenotazione ha bisogno di Live 3 nella chiamata dal vivo, perché è nella chiamata che avvengono pause e correzioni. Lo stesso prodotto di solito ha bisogno anche di Drama 3, o di un modello simile, per tutto ciò che non è una conversazione: la conferma riletta dopo la chiamata, il saluto della segreteria telefonica, il promemoria in uscita, la narrazione estesa nella pagina di marketing che ha portato lì il chiamante. Quelli sono lavori di rendering con un copione noto, e i punti di forza dichiarati di Drama 3 — preferenza da parte degli ascoltatori, pronuncia al 93,2%, 83 lingue, i pesi aperti pubblicati con la Fish Audio Community License v1.0 e un tetto di ricavi di $500.000 — sono esattamente i punti di forza di cui ha bisogno un lavoro di rendering.

Questa separazione ha una conseguenza sui costi che vale la pena enunciare chiaramente, perché è qui che un livello di routing smette di essere un'astrazione. Il livello di ragionamento dietro un agente Live 3 può puntare a qualsiasi servizio che parli il protocollo OpenAI; OrcaRouter si trova dietro quell'endpoint con 216 modelli da un'unica chiave, al prezzo di listino del provider senza alcun ricarico e failover automatico quando un provider restituisce un errore, così il planner all'interno dell'agente può essere sostituito senza toccare il livello vocale o il numero di telefono. Un DSL di routing decide quale modello gestisce quale tipo di chiamata, e la fusione dei modelli consente a un modello economico di redigere una chiamata a strumento mentre uno più potente la verifica prima che venga eseguita. OrcaRouter non ospita Fish Audio Live 3 né Drama 3 — nessuno dei due è disponibile tramite un endpoint di terze parti, e il livello vocale in questo stack rimane con Fish Audio. Ciò che ospita è tutto ciò che circonda la parte vocale.

Quale ti serve davvero

Ti serve Drama 3 se l'output è un file. Narrazione, audiolibri, annunci pubblicitari, voce dei personaggi, doppiaggio, letture per l'accessibilità — qualsiasi cosa in cui un essere umano ha scritto le parole e un ascoltatore le sentirà una volta, rifinite. Ha i punteggi di preferenza, la suddivisione della pronuncia, il conteggio delle lingue e una tariffa per byte pubblicata sulla quale puoi fare previsioni. È anche a pesi aperti, il che conta se devi eseguirlo da solo.

Ti serve Live 3 se l'output è una conversazione che deve sopravvivere a un'interruzione. Agenti telefonici, linee di prenotazione, raccolta ordini, triage dell'assistenza — qualsiasi caso in cui il chiamante ribatte e la modalità di errore è essere sovrastati o dover ripetere una sequenza di cifre. Ha un argomento comportamentale, una soglia minima di latenza del fornitore e una piattaforma, e non ha ancora né un benchmark né un prezzo.

Probabilmente ti servono entrambi se stai costruendo un prodotto vocale e non una demo, e la separazione segue la linea tra live e renderizzato. L'errore da evitare è scegliere l'uno per fare il lavoro dell'altro: un modello TTS non può decidere quando smettere di parlare, e un modello agente duplex è un modo costoso e non valutato per produrre un messaggio di segreteria telefonica. Fish Audio vende entrambi, le unità di prezzo sono diverse di proposito, e la roadmap che li tratta come un unico prodotto sbaglierà le previsioni sui propri costi fin dal primo mese.