Fish Audio Drama 3 Preview、「Open-Weights Speech Arena」で首位に

Fish Audio Drama 3 Preview は、Fish Audio が 2026年10月13日に公開したモデルで、翌朝までには Artificial Analysis のテキスト読み上げリーダーボードでオープンウェイト系システムの首位に立っていた。この順位がもう一度見る価値があるのは、最高位という点ではなく、それに伴う価格だ。この項目は100万文字あたり15.00ドルの定価を掲げている一方、近い順位のモデルはどれもその2～5倍の費用がかかり、さらにボード上で直接その上に位置する2つのモデル、ElevenLabs Eleven v4 Turbo と ElevenLabs Eleven v4 は、長尺音声を制作する者にとって逆方向にスケールする文字単位課金のクローズドシステムだ。

リーダーボードのProvider Voice Arenaでは、各ベンダー自身の音声が互いに競い合っていますが、Fish Audio Drama 3 PreviewはElo 1,243で10位です。それは、1,330と1,328のElevenLabsのペアより下位で、1,286のCartesia Sonic 3.6より下位、1,300のQwen-Audio-3.1-TTS-Plusと1,268のQwen-Audio-3.0-TTS-Plusより下位、そして1,274のGemini 3.8 Flash TTSより下位です。一方、2番目のオープンウェイトエントリーであるBreeze TTS 2より上位です。Breeze TTS 2は1,221に位置し、100万文字あたり$34.00のコストがかかります — Drama 3 Previewの料金の2倍強です。そのボード上の97モデルのうち、17がオープンウェイトであり、Fish Audioの新しいプレビューはそれらの中で最高ランクです。

数値は必ず誤差範囲（エラーバー）付きで読むこと。このエントリーについてボードが報告する区間は1,226.8から1,258.8で、約1,857回のブラインド比較、8つのアリーナ音声にまたがる。Breeze TTS 2に対しては差は余裕がある。1,245、$6.60のSpeechify Simba 3.2に対しては、そうではない——それは区間が重なる2ポイント差であり、誰もそれをもとに購入判断を下すべきではない。正直な要約はこうだ。Drama 3 Previewは、以前なら到底ランクインするはずのなかったボードのトップ10に、オープンウェイトのモデルを入れ、しかもそれを中価格帯でやってのけた。

モデルが実際には何なのか

Fish AudioはDrama 3 Previewを、350億パラメータのMixture-of-Expertsモデルであり、トークンあたりおよそ30億パラメータが活性化すると説明している。ハイブリッドアテンションスタック——Gated DeltaNetとゲート付きフルアテンションの組み合わせ——を採用し、codebook-MTPデコーダーと44.1 kHzで動作するDACベースのトークナイザーを組み合わせている。部分的なcodebook fusionでは、最初の2つのcodebookのみがループにフィードバックされる。学習は3つの事前学習ステージを経て、次にinstruction fine-tuning、その後、ルールベースの報酬シェイピングなしで単一のhuman-preference報酬モデルに対する強化学習を行った。

それに伴うスループットの主張は、実務家が最も気にする部分だろう。Fish Audioは、単一のH200上で毎秒271フレームを報告しており、これは、はるかに多くのパラメータを抱えているにもかかわらず、その後継となるS2モデルの177フレームに対する数字だ。これはベンダーによる数値であり、検証済みのベンチマークではない。バッチ処理やシーケンス長によって変動するだろう。しかしその方向性は、スパースアーキテクチャが果たすべき役割を果たしていることと一致している。

API の仕様は S2.1 Pro エンドポイントから変更されていません。リクエストは POST https://api.fish.audio/v1/tts に送信され、model フィールドを省略したリクエスト、またはサービスが認識しないモデル名を指定したリクエストは、エラーになるのではなく s2.1-pro にフォールバックします。このフォールバックは便利で、知っておく価値があります。というのも、モデル名のタイプミスがあると、400 エラーではなく、間違った声でそれらしい音声が生成されるからです。

演出コントロール、台詞の一発録り、単語単位の修正

このリリースを前世代から際立たせているのは3つの機能であり、その3つはいずれも、ライブ会話ではなく台本に沿った制作業務を対象としている。

• 自然言語による指示。固定のタグ語彙ではなく、モデルは例えば [緊張して、今にも崩れそう] や [温かくリラックスして、旧友と話しているように] のような平易な説明による指示を受け付け、新しいテイクを生成することなく文中で感情や話し方を変えられる。<whisper>…</whisper> のような対になるインラインタグや [sigh] のようなキューは、それらが囲むテキストにのみ適用されるので、セリフは途中で語調を切り替えることが、偶然ではなく仕組み上可能になる。

• マルチスピーカー対話を1回のパスで。各キャラクターが1回の生成内でそれぞれの声を保つため、通常はTTSモデルと完成したシーンの間に挟まる継ぎ合わせ工程を不要にします。音声ドラマやゲームの対話にとって、これはパイプラインと研究プロジェクトの違いになります。

• オーディオ・インペインティング。あるセグメントを再選択し、新しい指示を与えて、それだけを再生成できる。これは、以前なら1語の発音ミスのためにレンダリング全体をやり直す必要があったワークフローを解決するものだ。Fish Audioは、インタラクティブな編集体験、インペインティングツール、編集APIを招待制または近日提供としている。つまり機能は存在するが、その利用環境はまだ一般には開放されていない。

Fish Audioはまた、83言語に対応し、長い台本でもシーン途中の切り替えでも言語の一貫性が保たれると主張している。さらに、英語、中国語、日本語、韓国語など複数の言語で音素レベルの発音制御が可能で、約10～30秒の参照クリップからS2スタイルの音声クローニングができるという。ローンチデモではUncle Rogerの声のクローンが使用されており、同社は許可を得て作成・使用したものだと述べている。

発音に関する主張と、その由来

Fish Audioの発表によると、Drama 3 PreviewはArtificial Analysis Pronunciation Robustnessリーダーボードで総合93.2%を記録し、ElevenLabsのEleven v4およびEleven v4 Turboを上回って同リーダーボードで1位にランクインしています。公表されているサブスコアは、名前・ブランド・技術用語で95.9%対Fish Audio S2.1 Proの87.3%、文脈依存語で95.3%対86.1%、数値・日付・単位で93.6%対92.7%、コード・パス・メールアドレスで86.3%対79.4%です。

それらの数値は Fish Audio 自身の発表によるものです。ボードでモデルごとのスコアを直接読もうとしたとき、発音ロバストネスのパスは 404 を返し、読み込めたリーダーボードの画面には、引用可能なモデルごとの発音スコアが付されないまま Elo ランキングが表示されていました。したがって、前段落のすべての数値はベンダー報告であり、それを使用するあらゆるデッキではそのようにラベル付けされるべきです。この記事の他の箇所にある Elo の数値は別です。それらは私がボードから読み取ったものであり、ボード自身の信頼区間を伴っています。

その主張が扱う根本的な不満は、誰の数字を信じるとしても現実です。固有名詞、製品コード、ファイルパスの発音は、チームを人間の声優に戻させる失敗モードであり、韻律の問題ではないため、ほとんどのTTSベンダーが最も対応に時間をかけてきた分野です。コード、パス、メールの86.3%を処理するモデルは、前世代の79.4%と比べても、依然としておよそ7回に1回は間違えます。

このライセンスにおいて「オープンウェイト」とは何を意味するのか

Fish Audio Drama 3 Preview は Fish Audio Community License v1.0 の下で提供されています。それを前提に計画を立てる前に、条件を読んでください。本ライセンスは研究および非商用利用では無償で、あなたと関連会社の年間収益が50万米ドル未満であれば商用利用も無償です。そのしきい値を超える場合、または規模を問わず本モデルを音声合成、声クローン、推論サービスとして提供したい場合は、Fish Audio からのライセンスが必要です。S2 系は引き続き別の Research License の下にあります。実在の人物の声を同意なくクローンすることは全面的に禁止されています。

商用利用のしきい値は独立に裏付けられている。Artificial Analysisのボードは、そのエントリを商用利用権なしのオープンウェイトとして示しており、これは無制限のライセンスではなく、収益を基準にしたライセンスと整合する。小規模なスタジオなら、このライセンス下のオープンウェイトは現実的な選択肢だ。推論を再販売するプラットフォームなら、これはあなたが期待していた意味でのオープンウェイトではない。

料金とローンチオファー

APIのリスト価格は100万文字あたり$50で、2026年10月13日から11月12日まで80%割引の100万文字あたり$10となります。クリエイタークレジットはS2.1 Proと同額で、新しいPlus、Pro、Maxプランは同じ期間中半額です。Artificial Analysisは、デフォルト設定でのボード価格を100万文字あたり$15.00として記録しており、これはFish Audio自身の料金表と比較するのではなく、そのボード上の他のエントリと比較する際に使用すべき数値です。

プロモーション期間は、実際に期限が設定されている部分です。100万文字あたり10ドルで、Drama 3 Previewはリーダーボード上のほぼすべての競合モデルを大差で下回ります。50ドルでは、49ドルのCartesia Sonic 3.6より高価で、19.30ドルのQwen-Audio-3.0-TTS-Plusをはるかに上回ります。割引料金でコストモデルを構築している人は、定価料金でもう一つ構築し、そのプロジェクトがまだ成立するか確認すべきです。

これが本番スタックのどこに位置づけられるか

台本に沿って一度だけレンダリングする音声は、まさに最適な領域です。オーディオブック、オーディオドラマ、ゲームやアニメの対話、ショート動画などがそうです。マルチスピーカーのシングルパス生成とインペインティングのワークフローは、どちらもそうした形の作業に応えるために存在しており、料金は分単位ではなく文字単位なので、長い台本に有利です。インタラクティブ編集と編集APIはまだ一般提供されていないため、それらに依存するワークフローは、招待に依存するワークフローです。

その後の運用上の問いはルーティングであり、これはテキストよりも音声にとって難しい問題だ。Fish Audio Drama 3 Preview は現在 OrcaRouter 上のモデルの一つではない。それはベンダー自身の API といくつかのサードパーティプラットフォームを通じてアクセスする。上記で比較したほとんどのモデルについても同じことが言える——音声リーダーボードのトップ10は、ベンダー固有の認証を伴うベンダー固有のエンドポイントの集合であり、それぞれが独自の統合であり、独自の障害ドメインである。OrcaRouter の1つのキーで、プロバイダーの定価のままマークアップなしで利用できる約200のモデルは、テキスト、ビジョン、推論の作業をカバーしており、その自動フェイルオーバーは、あるプロバイダーのエンドポイントが実行中に劣化する場合のためにまさに存在している。本番の音声パスにとって実用的なパターンは、音声ベンダーは直接のままにしておき、それがオーケストレートするものすべて——要約、翻訳パス、発音辞書ビルダー、QA 分類器——を単一のルーティング済みエンドポイントの背後に置くことだ。そうすれば、そちらでのフェイルオーバーがレンダーパイプラインを巻き込むことはない。

結論から言うと

Fish Audio Drama 3 Preview はローンチ週だけの産物ではなく、実際の結果である。Provider Voice Arena で Elo 1,243 の10位、このボードの17件のオープンウェイトエントリーの中で首位、料金は100万文字あたり15.00ドルで、次に下位のオープンウェイトモデルの34ドルと対比される。ボード最上位までの差は依然として大きく、信頼区間は最も近い近隣と重なっているため、オープンウェイトの王座はスタート地点であり、リードではない。93.2%という発音の数値はベンダー自身によるもので、ボードから独立して読み取ることはできなかった。ライセンスには商用利用における売上50万米ドルの上限があり、一部のチームにとっては完全に選択肢外となる。また、10ドルの料金は2026年11月12日に失効する。

脚本化された音声を大量に制作するスタジオにとって、複数話者のシングルパス生成、単語単位のインペインティング、そして収益しきい値未満で使えるオープンウェイトライセンスという組み合わせが、ここでの最も強い論拠だ — 見出しを賑わせるであろうリーダーボード順位よりも強力な。

このようなモデル選択は、障害モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェント障害は、OrcaRouter AIインシデントアーカイブに収められており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。