AssemblyAI-TTS-1 対 Fish Audio Drama 3：チェックアウトボタンか、それとも41.5 GBのダウンロードか

まず理解すべきなのは、AssemblyAI-TTS-1とFish Audio Drama 3を比べるとき、そのうちの一方がファイルだということです。2026年10月13日にリリースされたDrama 3は、Hugging Faceでfishaudio/drama-3として公開された350億パラメータのMixture-of-Experts音声モデルで、コーデックを加える前の重みが約41.5 GB、FP8で提供するには約48 GBのVRAMが必要です。AssemblyAI-TTS-1は、2026年10月27日から一般提供されており、100万文字あたり15ドルで、US-EastまたはEU-NorthにあるHTTPSエンドポイントで、0.1秒未満で応答し、テキスト以外は何も要求しません。Eloスコアから始める両者の比較はすべて間違った出発点に立っています。なぜなら、この2つの製品は品質で分かれる前に、運用上の判断によって分かれているからです。

15ドルで何が買えるか、41.5ギガバイトで何が買えるか

AssemblyAI-TTS-1側の説明は短く済みます。入力100万文字あたり一律15ドルで、4,000以上のライブラリ音声すべてをカバーし、24秒のサンプルからの即時クローニング、単語タイムスタンプ、提供開始時の6言語（英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語）、米国またはEUでの処理、WebSocketおよびHTTPエンドポイントに加えてOpenAI互換のルート、割り込み（バージイン）用のキャンセルメッセージ、追加料金なしの無制限同時実行を提供します。SSMLなし、速度パラメータなし、発音辞書なし、感情タグなし、プロフェッショナルクローニングのティアなしです。

Drama 3 側は、そもそも製品の形がまったく異なる。35B の MoE で、トークンあたり約 30 億パラメータが有効になり、Qwen3.5-35B-A3B から初期化され、40 層、256 個のルーテッドエキスパートのうち 8 個に加えて共有エキスパートが 1 個 — これが、表現力豊かに聞こえながら単一のアクセラレータに収まる理由だ。83 言語に対応し、声をクローンし、一度に最大 16 話者を扱い、[sighs] のような括弧書きの自然言語による演技指示を受け入れて、モデルがそれに沿って演じる。また、Fish 自身のモデルカードによれば、演出付きのパフォーマンス — 吹き替え、ナレーション、複数キャラクターのシーン — 向けに作られている。sub-100 ms の電話ループは、それがチューニングされた対象ではない。

その違いは、どちらかを貶すものではない。むしろ、この対決がそもそも成立する理由そのものだ。Drama 3 はこのシリーズで唯一、完全に自分のものにできるモデルであり、AssemblyAI-TTS-1 はこのシリーズで唯一、GPU を買わなくても今日の午後には電話の発信者の前に出せるモデルだ。

並行性の計算こそが本当の論拠だ

両ベンダーともレイテンシの数値を公表していますが、どちらも直接比較できるものではないため、以下は直接対決ではなく、2つの別々の主張として扱ってください。

• Drama 3、ベンダー提供のモデルカード — H200 1台上の単一ストリームで、最初の音声までの中央値時間は88.9 ms、リアルタイム係数は0.131、毎秒271フレーム。サービング対応はリリースから数日以内に実装され、同じハードウェアで128同時ストリーム時に最初の音声までの中央値時間255 ms、つまり実時間1秒あたり約222秒の音声を処理できます。

AssemblyAI-TTS-1、ベンダーラボ — 初回バイトまでの時間は中央値47 ms。Cekuraが独立に測定したところ、ストリーミング開始は中央値159 ms、p90では296 msで、Artificial Analysisの測定ではスループットが毎秒162文字です。

Drama 3 の数値が負荷の上昇に伴ってどうなるかを見てください。単独では 88.9 ms、128 ストリームでは 255 ms です。これは吹き替えパイプラインにはまったく申し分のない曲線であり、コールセンターにはぎりぎりの曲線です。コールセンターでは、発信者が何かを聞くまでの 1 ミリ秒が 1 ミリ秒の無音だからです。AssemblyAI の反論は、より速い数値ではなく、曲線が存在しないことです。つまり、一律料率での無制限の同時実行であり、スケジューリングの問題はベンダー側にあって利用者には見えないからです。その約束が自社のトラフィックでも維持されるかどうかこそ、まさに検証すべきことです。公開された待ち行列挙動のない無制限同時実行の主張は、他人のクラスタについての主張なのですから。

同じ単位で表されていない2つの請求書

FishはDrama 3をUTF-8バイト100万あたり50.00ドルで掲載しており、ベンダー自身のドキュメントではこれを約12時間分の音声に相当するとしている。これは音声1時間あたり約4.17ドルに当たる。2026年11月12日まで、100万バイトあたり10.00ドル、1時間あたり約0.83ドルのローンチプロモーションが実施されている。AssemblyAI-TTS-1は100万文字あたり15ドルで、通常の会話音声で1分あたり約900文字という同じ寛大な前提を用いると、音声1時間あたり約0.81ドルになる。

プロモーション期間中は2つの価格差は四捨五入誤差の範囲内に収まり、定価ではFishは出力1時間あたり約5倍高くつく——しかも、それはH200を買う前の話だ。セルフホスティングはコストを取り除くわけではなく、文字単位の請求をGPU時間の請求と、それを運用できる人件費に置き換えるだけだ。

二つの罠は、安易に陥りやすいものだからこそ、名指しする価値がある。

• 文字はバイトではありません。Fish は UTF-8 のバイト数で、AssemblyAI は文字数で課金されます。英語のテキストはほぼ1文字1バイトなので、両者は同程度に見えますが、日本語・アラビア語・絵文字の多いスクリプトではバイト数が膨らみ、同じスクリプトでも Drama 3 の請求額が静かに30〜100%増加します。

• モデルヘッダーが欠落していても、明確なエラーにはなりません。Fish 自身のドキュメントによると、モデル識別子が存在しない、または綴りが間違っている場合は s2.1-pro にフォールスルーし、100万バイトあたり15.00ドル、つまりプロモーション版 Drama 3 料金に対する50%の追加料金が別のモデルに対して適用され、応答にはエラーが含まれないと記載されています。

流通している3つ目の数字があり、リーダーボードで目にするので名前を付ける価値がある。Artificial Analysisの価格欄にはDrama 3が100万文字あたり15.0ドルと記録されているが、これはFishの100万バイトあたり50ドルとも、販促価格の10ドルとも整合しない。3つの数字——定価、販促価格、ボードの正規化——があり、ベンダー由来なのは最初の2つだけだ。ボードの数字は見積もりではなく比較単位である。

投稿の下部にあるライセンスゲート

Drama 3 は、ほとんどのチームが想定する意味でのオープンソースではありません。提供ライセンスは Fish Audio Community License v1.0 で、年間収益が50万米ドル未満なら商用利用は無償、それを超える場合は別途ライセンスが適用され、モデルをホスト型 TTS API として再販する場合は規模にかかわらず独自の契約が必要です。Artificial Analysis はこれを、完全な商用利用権を伴わないオープンウェイトとして記録しており、それが正確な説明です。

AssemblyAI-TTS-1にはそのような制約がありません。重みが存在しないからです。セルフホストもファインチューニングもできず、ベンダーが価格を変更しても運用を続けることはできません。これは誰も比較表には載せないトレードオフです。Drama 3のライセンスはモデルでできることを制限し、AssemblyAI-TTS-1のアーキテクチャはベンダーなしでできることを制限します。

品質の差を、一度だけ述べる

Artificial AnalysisのProvider Voice Arenaでは——2026年10月30日時点の読み取りで、両方とも同じ実行です——Drama 3が1,278 Eloで6位、AssemblyAI-TTS-1が1,227で14位。Controlled Voice ArenaではDrama 3が1,085で12位、AssemblyAI-TTS-1が1,110で10位となっており、これで順序が逆転し、2つのボードが別のものを測っていることが分かります。前者は既製の音声、後者は固定参照に対するクローニング忠実度です。自然な音声ではDrama 3の方が2者の中で上位で、参照録音を一定に保てば両者はノイズの範囲内にあります。

それらを最も鮮明に分ける指標は発音の堅牢性であり、そこではDrama 3が堂々首位に立つ — 情報源によれば、ページを読んだ時期に応じて数値はおよそ93%から95%の間に置かれるため、順位を事実、小数を飾りと見なすべきだ。AssemblyAI-TTS-1は同じ測定基準で81.7%を記録して16位、最も弱いサブスコアは略語の展開で73.8%だ。入力が略語だらけなら、Drama 3は辞書なしでそれらを扱う。入力が読み出される電話番号なら、Cekuraの独立テストではAssemblyAI-TTS-1がまさにそのカテゴリで91.7%を記録し、この分野で1位となる。

どちらのベンダー自身のベンチマークも、独立したものとして解釈すべきではない。AssemblyAIの99.0%の単語精度、3.85の予測MOS、85.5のTTSDSスコアは、自社のハーネスを自社のホールドアウトセット上で用いて得られたものであり、Fishの88.9 msと毎秒271フレームは同社のモデルカードに由来する。第三者による測定——Artificial Analysis、Cekura、Coval——こそが、この記事の中で、売るべき製品を持たない主体によって作成された唯一の測定値である。

順位が高いかどうかではなく、自分で操作できるかどうかで選びなさい。

Drama 3 が正解となるのは、ちょうど3つの状況だけです。舞台指示と複数の話者を1回のパスで扱う、表現豊かで演出されたパフォーマンスが必要な場合 — 議論の余地はありません。AssemblyAI-TTS-1 に同等の機能はありません。AssemblyAI が初期提供した6言語以外の言語が必要な場合 — 83 対 6 で、比較はそこで終わります。または、米国や EU のベンダー地域では満たせないデータ居住要件のために、モデルを自社ハードウェア上で動かす必要がある場合 — これは一部の規制対象ワークロードでは実際の要件であり、GPU を正当化できる唯一の理由です。

ほかのみんなは電話エージェントを買っている。そして電話エージェントが望むのは、定額料金、他人のH200の後ろに並ばないこと、そして自分で修正できる発音問題だ。AssemblyAI-TTS-1は最初の2つを提供し、3つ目はまだ提供していない。これが正直なところだ。Drama 3はより優れたモデルであり、この用途ではより劣った製品だ。

ほとんどのチームが落ち着く実用的な妥協点は両方を採用することです — コンテンツとして出荷する生成音声にはDrama 3、ライブループ内のターンごとの発話にはAssemblyAI-TTS-1を使い、両者の間に1本のフォールバック経路を用意します。2つ目のTTSベンダーを接続しておくことは、OrcaRouterがそのスタックの言語モデル側に適用しているのと同じ規律です：200以上のモデルをプロバイダーの定価で、マークアップ0%で利用できる単一API、プロバイダーが劣化した際の自動フェイルオーバー、そして1つのエンドポイントで複数モデルを提供できるルーティングDSLを、複数の契約ではなく実現します。これら2つの音声モデルはいずれも現在OrcaRouterのカタログにはありません — 当社が扱う音声ルートはOpenAIのtts-1ファミリーとGoogleのGemini TTSプレビューです — ですからこれは、Drama 3をここで購入できるという提案ではなく、議論の骨子として読んでください。

この判定を覆すのは何か。Fishがコールセンター規模の負荷でも150 ms未満を維持する同時実行曲線を公表することか、それともAssemblyAIが発音辞書とさらに4言語を追加することか。まず注目すべきは後者だ。それは設定の変更にすぎず、均一15ドルの料金表を打ち出した同社は、すでに請求額での競争を好む姿勢を示している。