Fish Audio Drama 3、音声アリーナ2部門を同時に制覇——しかもどちらの数字も先週見たものではない

リーダーボードには、1つの製品について2件の記録が掲載されています。Fish Audio Drama 3は、Artificial Analysis Provider Voice ArenaでElo 1,278の6位、Controlled Voice Arenaで1,085の12位に位置し、両ボードで表内のオープンウェイトモデルの中で最高位です。ラベルが付いた記録、すなわちFish Audio Drama 3 Preview — Fish Audioが2026-10-13に公開した際に報道されたもの — は、依然として別途、1,240と1,063で掲載されています。これは一方のボードで38ポイント、もう一方で22ポイントの差であり、ベンダー自身の製品ページが「2つの名前を持つ単一モデル」と呼ぶものについての差です。過去2週間でDrama 3のEloを引用したことがあるなら、これはあなたが引用したのが2つのうちどちらだったかを教えてくれる記事です。

掲示板が今日実際に言っていること

両方の数値は2026年10月29日にArtificial Analysisから読み取ったもので、どちらもボードに記録された同じ100万文字あたり15.00ドルを伴っているため、38ポイントの差は価格変動ではなく、同一モデルのアーカイブされた2つの状態に対する2回の評価です。Drama 3より上位のプロバイダーボイス順位はすべてクローズドシステムです。Eleven v4 Turboが1,336で40.00ドル、Eleven v4が1,334で80.00ドル、Qwen-Audio-3.1-TTS-Plusが1,305で19.30ドル、Cartesia Sonic 3.6が1,296で49.00ドル、Google Gemini 3.8 Flash TTSが1,283で16.50ドルです。そのいずれも、すぐ下位にランクされたFish Audioの項目より100万文字あたりのコストが高くなっています。

統制音声ボードは、2つのDrama 3レコードがランクにおいて最も鮮明に分かれる場所であり、オープンウェイトの主張を最も簡単に検証できる場所でもあります。そこではすべてのモデルが、各ベンダー独自のカタログではなく、同じ固定の参照音声で採点されるからです。本日時点におけるオープンウェイト項目の全分布：

• プロバイダー音声 — Fish Audio Drama 3 1,278（#6）、Fish Audio Drama 3 Preview 1,240（#12）、Breeze TTS 2 1,228（#13）、Voxtral 3 TTS 1,223（#15）。

• 制御された音声 — Fish Audio Drama 3 1,085（#12）; Ming-3.0-tts 1,068（#17）; Fish Audio Drama 3 Preview 1,063（#20）; Breeze TTS 2 1,021（#28）。

• 問題になるのはその差だ。制御された音声では、Drama 3 は依然として Eleven v4（1,156、#4）と Inworld Realtime TTS-2（1,146、#7）に後れを取っており、Google Gemini 3.8 Flash TTS（1,053、#24）はその下にある。だが、そのランキング上位のクローズドシステムとの差は4ポイントではなく、70ポイントだ。HeyGen Voice が 1,193 で首位に立っている。

以下、2点を述べます。第一に、「オープンウェイトの中で首位」は今日、両方のアリーナで当てはまり、どちらも同点ではありません。第二に、統制されたボードでの差 — パラメータ数が5分の1のMing-3.0-ttsに対する17 Elo — は、数千票で順位が変わり得る範囲内にあるため、確定ではなくリードとして扱ってください。

発音スコアは単独の1位ではなく、同率1位です。

Fish Audioの発表は、Artificial Analysisの英語発音ロバストネスベンチマークで93.2%を記録し、従来のS2.1 Proの88.1%を上回ったと述べ、リーダーボード上の最高スコアだと説明している。このスコアが2026-10-20に記録された時点ではそれは正確だったが、マーケティング資料が省いている但し書きがある。Ant GroupのMing-3.0-ttsも同じ93.2%に到達しており、採点対象31モデルの中で単独首位ではなく同率首位であることがボードに示されている。Eleven v4は91.7%、Eleven v4 Turboは90.1%となっている。

集計値は実際のトレードオフを覆い隠している。Drama 3の強みは固有名詞と文脈依存語だ。ブランド、地名、技術名などの単独語では95.9%、文によって読みが変わる語では95.3%を記録する。弱点は文字単位で正確に再現しなければならないもの、つまりコード、パス、メールアドレスで86.3%だ。ここではMingが90.6%に達する。Drama 3が唯一完全に負けているカテゴリは略記の展開—数字、日付、単位—で、93.6%対Eleven v4の94.1%だ。パイプラインが注文番号、部品コード、追跡文字列を音声で読み出す場合、見出しの93.2%は計画の基準にすべき数値ではない。86.3%こそ正しい数値だ。

2026-10-13にリリースされた内容と、16日間が変えるもの

これはどれもローンチではなく、そのように報じられるべきでもありません。Fish Audioは2026-10-13に、このモデルを自社のWebアプリ、iOSアプリ、Androidアプリ、およびAPIに投入しており、APIのモデルIDは「drama-3」です。この2週間で新しかったのは、市販版モデルに対する独立したスコアリングであり、モデルの存在そのものではありません。この区別が実務上もたらす影響は明示する価値があります。というのも、このモデルに関する以前の報道は、本ブログのものも含め、Previewのデータに基づいて書かれていたからです。

2つの記録の間でアーキテクチャは変わっていません。Qwen3.5-35B-A3Bから初期化された350億パラメータのmixture-of-expertsで、トークンあたり約30億パラメータがアクティブになり、256のルーティングされるエキスパートのうち8つに加えて1つの共有エキスパートが発火します。40層は、3つのGated DeltaNet層と1つのゲート付きフルアテンション層という繰り返しブロックで構成されているため、4層のうち1層だけがKVキャッシュを保持します。デコーダはコードブックMTP設計です。4つの共有層が9つのフル幅層に供給し、各音響コードブックに1つずつ対応します。また、バックボーンにフィードバックされるのはコードブック0と1だけです。トークナイザーはS2が使用したものと同じDescript Audio Codecの構成です。44.1 kHz、10個のコードブック、毎秒約21.5フレーム、完全に因果的です。小さな不整合が1つあり、2つの情報源を比較する人を混乱させるため、ここで触れておく価値があります。Fish Audioの発表では350億パラメータとされていますが、Hugging Faceのモデルカードではモデルサイズが36Bと報告されています。この違いは、別のチェックポイントというよりは、丸めまたは埋め込み数の数え方の慣例による可能性が高いですが、それぞれの場所で見つかるのはこの2つの数値です。

1台のH200でのスループットはベンダー公表値で毎秒271フレーム、S2の177フレームに対してであり、これは35B MoEで3Bのアクティブパスを持つ構成がもたらすはずのものだ。サービングはSGLang-Omni経由で行う。重みはHugging Face上でfishaudio/drama-3として公開されており、一連のsafetensorsシャードと別個のコーデックファイルにまたがって約40 GB、FP8推論にはおよそ48 GBのVRAMを必要とし、CPUまたはROCmの経路は文書化されていない。この最後の制約こそが、ほとんどのセルフホスティングに関する疑問を左右するものであり、それは本比較ではなくBreeze TTS 2の比較の主題だ。

3つの価格があり、そのカードはあなたが計画を立てる際に基準とすべきものではありません

ここでは出典を明示する必要があります。というのも、3つの数字が出回っており、そのうち2つは見た目とは異なるからです。Artificial Analysisは、Drama 3の両エントリーについて100万文字あたり$15.00と記録しています。Fish Audio自身の発表ページには、100万文字あたり定価$50.00、ローンチ価格$10.00（80%オフ）、2026年11月12日までと記載されています。さらにFish Audioの開発者向けドキュメントでは、まったく別の第3の単位で課金しています。すなわち100万UTF-8バイトあたりで、drama-3は$50.00、s2.1-proは$15.00、ローンチ価格は2026年11月12日 09:00 PTまで$10.00です。英語は1文字あたりほぼ1バイトなので、英語テキストではバイトと文字の数値はほぼ互換ですが、1グリフあたり1バイトを超える文字体系では大きく乖離します。

リーダーボードの$15.00は、肩をすくめて流すのではなく、もう一度見直す価値がある。なぜならそれは、Fish Audioの前モデルであるs2.1-proの定価レートそのものであり、評価対象となっているモデルのレートではないからだ。リーダーボードが混合値または持ち越し値を記録したか、さもなければFish Audioがそのモデルについて公開していないレートで価格設定したかのどちらかだ。予算を立てる際に基準にすべき数字は、Fish Audio自身の料金表にある数字だ。定価でUTF-8バイト100万バイトあたり$50.00で、提供元のドキュメントではこれが約18万英単語、つまりおよそ12時間分の音声に相当するとされている——完成した音声1時間あたり$4.17と考えればよい。2週間で終了するローンチ割引は料金表ではない。$10.00なら、同じ12時間分のコストは約$0.83だ。

ライセンス：オープンウェイトであり、オープンソースではなく、多くのことを左右する1つの条項

モデルの重みは Fish Audio Community License v1.0 の下で公開されています。研究用途および非商用利用は無料です。商用利用は、あなたと関連会社の年間収益が50万米ドル未満にとどまる限り無料です。それを超える場合、または Drama 3 をテキスト読み上げ、ボイスクローニング、推論サービスとして提供したい場合は、Fish Audio から別途ライセンスを取得する必要があります。このライセンスは、同意なしに実在の人物の声をクローニングすることを禁じており、Fish Audio の FAQ では「クライアント向けに完成音声を作成する」ことを許可対象として扱っています。これは代理店やポストプロダクションにとって重要な条項です。S2 はより厳格な Research License の下にとどまっているため、この2世代は商用導入において相互に置き換え可能ではありません。

Artificial Analysis は、このモデル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掲載しています。これは正直な説明です。ダウンロードして実行することはできますが、必ずしもそのアクセス権を販売できるわけではありません。これらのウェイトを基盤にホスト型製品を計画している人は、請求ページを作った後ではなく、作る前にサービス条項を読むべきです。

これによって制作パイプラインがどうなるか

2つのアリーナでの結果が脚注ではなく一本の記事に値するのは、それがチームの前提を変えるからだ。16日前に言えたのは、あるオープンウェイトモデルが選好ボードのトップ10に入り、自社の評価で発音の首位を名乗った、という主張だった。今日の独立した判定はより狭く、より強い。すなわち、両方のアリーナで最高のオープンウェイトモデルであり、発音では単独首位ではなく首位タイであり、しかもそれを誰でもダウンロードできるウェイトで中位の料金で行っている。

Drama 3 は OrcaRouter 上のモデルではありません。Fish Audio 独自の API と複数のサードパーティプラットフォームを通じて利用されており、そうでないかのように装う記事は、このブログの目的そのものについて読者に嘘をつくことになります。私たちが担うのは問題のもう半分です。すなわち、単一のキーでプロバイダーの定価のまま、マークアップなしで約200モデルを利用できること、自動フェイルオーバー、ルーティング DSL とモデルフュージョンによって、すでに他のベンダーを呼び出しているパイプラインが、2つ目の契約や2つ目の SDK なしでこのようなモデルを取り込めることです。Drama 3 がレンダーキューのナレーション音声になり、そのキューに期限がある場合、それ以外のすべてを1つのエンドポイント経由でルーティングする価値は、再試行経路がすでに存在する点にあります。

今後2週間で注目すべき点を、状況をどれだけ大きく変えるかという順に挙げる。より多くの票がretail entryに投じられるにつれて、2つのDrama 3記録の間の22ポイント差が縮まるのか、それとも広がるのか。Ming-3.0-ttsが、21位の固有名詞スコアをより大きなスパン数で再測定した際に、発音で優位に立つのか。そして、Fish Audioの外部の誰かが、H200ではないハードウェアで271フレーム/秒という数値を再現するのか。アリーナの数値は引用できるほど固まっている。スループットの数値は依然としてベンダーの主張であり、ライセンスは依然として、チームがこれをそもそも使えるかどうかを決める可能性が最も高い要素だ。