GPT-Live-1 vs Fish Audio Drama 3: uno che puoi scaricare, l'altro che puoi solo noleggiare

Fish Audio Drama 3 Preview viene fornito come 41,5 gigabyte di pesi scaricabili che puoi puntare sulla tua GPU, ispezionare, mettere a punto e continuare a eseguire dopo che il fornitore perde interesse. GPT-Live-1 viene fornito come un URL. Non ci sono pesi da scaricare, nessun percorso di inferenza locale e non c'è alcun modo di ascoltarlo senza aprire una sessione contro l'endpoint di OpenAI v1/live/sessions a 0,05 dollari al minuto.

Sembra un dettaglio da ufficio acquisti. È la decisione. Uno di questi modelli è un bene con una licenza collegata; l'altro è un servizio con un contatore collegato, e i due si comportano in modo completamente diverso quando il tuo prodotto sopravvive a una pagina di prezzi.

Che cos'è davvero Drama 3

Fish Audio ha rilasciato Drama 3 Preview a metà ottobre 2026: un modello text-to-speech mixture-of-experts da 35 miliardi di parametri, con circa 3 miliardi di parametri attivi per token, costruito su un backbone Qwen3.5-35B-A3B. Copre 83 lingue, supporta fino a 16 parlanti distinti all'interno di una singola richiesta, clona le voci da brevi riferimenti e accetta indicazioni in linguaggio naturale — digli che una battuta dovrebbe suonare rassegnata, aggiungi un suono o segna quali parole cambiano, e lo esegue invece di leggerla in modo piatto.

Il limite massimo di parlanti multipli è la funzionalità che conta commercialmente. Un dramma audio a due personaggi, un podcast con conduttore e ospite, un video di formazione con narratore e cliente: ciascuno è una singola chiamata API, non sedici file messi insieme con un tono ambiente incoerente.

Nella Provider Voice Arena di Artificial Analysis, rilevata il 29 ottobre 2026, Drama 3 Preview si trova a 1240 Elo, undicesima in classifica generale e prima tra le voci open-weights, davanti a Breeze TTS 2 a 1228. Fish dichiara una robustezza di pronuncia del 93,2%, la più alta dichiarata al lancio e superiore al 91,7% che ElevenLabs dichiara per Eleven v4.

Che cos’è realmente GPT-Live-1

Il modello di OpenAI è un oggetto del tipo opposto. Dal 10 settembre 2026 è chiamabile a 0,05 $ per minuto vocale, con fatturazione al secondo, con audio e testo in ingresso e in uscita, supporta lo streaming e il function calling, mentre gli output strutturati sono esplicitamente esclusi. È full-duplex: ti ascolta mentre parla e affida il ragionamento pesante a un modello testuale in background.

Non ha alcun prodotto per la clonazione vocale, nessuna modalità multi-voce e nessun modo documentato per prendere un copione e restituire un file audio deterministico. Quello che ha è una conversazione. Per un agente telefonico è esattamente la cosa giusta. Per una scena con quattro personaggi non è uno strumento peggiore, è la categoria sbagliata di strumento.

Il numero che entrambe le parti stampano

Ecco un dettaglio che vale la pena segnalare perché confonderà chiunque confronti le schede tecniche: Drama 3 di Fish Audio e Ming-3.0-TTS di Ant Group riportano entrambi una robustezza di pronuncia del 93,2% sulla stessa misurazione di Artificial Analysis. Due laboratori diversi, due architetture diverse, lo stesso valore fino alla prima cifra decimale.

Non è un errore di copia-incolla e non è un pareggio. È l'aspetto di un tetto: il restante 6,8% è la coda difficile del testo inglese — sequenze alfanumeriche, nomi propri insoliti, numeri letti nel contesto. Chiunque sostenga che tra i migliori modelli open-weights ci sia una vittoria decisiva sulla pronuncia sta leggendo rumore. La domanda utile è quali casi di errore contenga effettivamente il vostro contenuto, e questo richiede di testare il vostro testo, non di leggere una classifica.

La licenza è la parte che nessuno legge

Drama 3 è open weights, non open source nel senso permissivo del termine. Viene distribuito con la Fish Audio Community License v1.0: gratuito per ricerca e attività non commerciali, gratuito per uso commerciale al di sotto di $500,000 di fatturato annuo, e richiede un accordo separato al di sopra di tale soglia. L'hosting di terze parti tramite API necessita di una licenza propria, ed è richiesta l'attribuzione.

Questa è una licenza ragionevole e un vincolo reale. Ne conseguono tre conseguenze:

• Sotto la linea dei ricavi, l'auto-hosting è davvero gratuito — paghi elettricità e tempo GPU e nient'altro.

• Al di sopra di ciò, sei di nuovo in una trattativa, e il vantaggio "noi possediamo i pesi" si riduce a "possiamo ancora eseguirli mentre parliamo".

• Rivendere l'accesso ai propri clienti richiede quasi certamente un accordo separato, qualunque sia il vostro fatturato.

La licenza di GPT-Live-1 è più semplice nello stesso senso in cui è più semplice un contratto di locazione: paghi al minuto, lo usi, smetti. Nessuna soglia di ricavi, nessuna clausola di attribuzione, nessun obbligo di divulgare il numero dei tuoi clienti. Quella semplicità vale qualcosa, e vale di più quanto più sei piccolo.

Quanto costa davvero l'hardware

L'hosting in autonomia di Drama 3 richiede circa 48 GB di memoria NVIDIA in FP8, e circa 41,5 GB di questi sono pesi. Una H100 o un'istanza affittata di classe A100 lo supporta; una scheda consumer non ci riesce, comodamente. Seguono due inquadrature.

Se possiedi già la GPU, il costo marginale della sintesi è vicino a zero e il prezzo dell'hosting sembra assurdo: Fish indica 50 $ per milione di caratteri, sta conducendo una promozione di lancio a 10 $ per milione fino al 12 novembre 2026, e Artificial Analysis registra il prezzo di listino a 15 $. Una scena di dieci minuti di circa 9.000 caratteri costa tra nove centesimi e quarantacinque centesimi, a seconda di quale di quei tre numeri ti venga effettivamente addebitato.

Se non possiedi la GPU, ne stai comunque noleggiando una, e il confronto diventa GPU-ora contro milione di caratteri. A un costo tipico di $2 per GPU-ora, un modello che sintetizza dieci volte più velocemente del tempo reale produce circa dieci ore di audio per ora di noleggio — all'incirca 540.000 caratteri a un ritmo di parlato normale. Il che equivale a qualcosa vicino a $3,70 per milione di caratteri, ben al di sotto di ogni prezzo di servizio ospitato sulla tabella, ma solo a utilizzazione sostenuta. Sotto circa il 30% di duty cycle il noleggio non guadagna nulla, e l'ipotesi sulla velocità effettiva è esattamente questo: un'ipotesi che devi misurare sulla tua istanza, non un dato che Fish pubblichi.

Di contro, il costo di GPT-Live-1 è lineare e noioso: 0,05 $ al minuto, ogni minuto, nessun costo fisso, nessun rischio di utilizzo. Dieci minuti di conversazione costano 0,50 $. Dieci minuti di narrazione con Drama 3 costano circa 0,135 $ al prezzo di listino registrato. Lavori diversi, metri diversi, e uno di questi ha un costo fisso che puoi ammortizzare.

Dove il noleggio vince ancora

La conformità è l'argomento silenzioso a favore del modello hosted. I pesi di Drama 3 possono essere copiati, sottoposti a fine-tuning per essere inseriti nel prodotto di un concorrente, oppure lasciati in esecuzione in una giurisdizione sulla quale il vostro team legale ha delle opinioni. GPT-Live-1 vi offre un endpoint, una fattura e un fornitore che si accolla il rischio lato modello. Per un'impresa regolamentata, non è pigrizia: è un premio assicurativo.

La politica sulla latenza è la seconda. L'alternanza dei turni in full-duplex è un comportamento, non un checkpoint: un turno da 0,8 secondi e un'accuratezza dell'87% nel tool-calling sono ciò che OpenAI riporta per questo modello, ed entrambi sono dati del fornitore anziché misurazioni indipendenti. Non puoi scaricare quel comportamento con Drama 3, perché Drama 3 non sta cercando di ascoltarti.

E la gestione dei guasti è la terza. Un modello scaricabile si guasta quando si guasta la tua GPU. Un modello ospitato si guasta quando si guasta quello di qualcun altro — un rischio diverso, non palesemente peggiore, e che puoi coprire.

Dove mettere la siepe

La copertura va collocata dietro il livello vocale, non al suo interno. Nessuno di questi modelli è erogato da OrcaRouter: i pesi di Drama 3 non sono presenti nel nostro catalogo, e GPT-Live-1 ha esattamente un endpoint e nessuna interfaccia compatibile. Ciò che è instradabile è la componente di ragionamento da cui dipende un agente conversazionale — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — accessibile tramite una singola chiave con failover automatico, ai prezzi di listino dei provider applicati con un ricarico dello 0%.

Quello è il posto giusto in cui investire il tuo budget di ridondanza. Il fallimento dell'output vocale è rumoroso ed evidente; il fallimento del modello testuale che vi sta dietro è quello che rovina silenziosamente la qualità delle chiamate per una settimana. Tieni l'orecchio ancorato al modello che hai scelto. Mantieni il cervello intercambiabile.

La decisione, in un paragrafo ciascuno

Scegli Drama 3 se produci audio anziché conversazioni: scene, podcast, doppiaggio, contenuti di formazione multi-personaggio, e se sei sotto la soglia di ricavi oppure sei pronto a negoziare al di sopra di essa. Il MoE da 35B, il limite massimo di sedici voci e l'Elo 1240 sono un pacchetto davvero solido, e i pesi significano che nessuno può portartelo via.

Scegli GPT-Live-1 se il prodotto è una conversazione dal vivo e il valore sta nella gestione delle interruzioni. Costa di più per minuto erogato, non ti dà nulla da possedere, e fa la cosa che Drama 3 strutturalmente non può fare: ascoltare mentre parla.

I due sono adiacenti su una scheda tecnica e lontanissimi l'uno dall'altro nell'uso. Chiunque ne acquisti uno aspettandosi il compito dell'altro concluderà che il modello è scarso, quando al modello non è semplicemente mai stato chiesto di fare quella cosa.