Fish Audio Drama 3 vs Breeze TTS 2：VRAMの数値で決着するオープンウェイト比較

Fish Audio Drama 3とBreeze TTS 2は、Artificial AnalysisのProvider Voice Arenaで上位2位に入るオープンウェイトのテキスト読み上げモデルであり、Elo差は50だが、実際には同じデプロイ先を争っているわけではない。Drama 3は350億パラメータのMixture-of-Experts（MoE）で、単一の48 GBカードを必要とする。BreezeBlueのBreeze TTS 2は30億パラメータのDenseモデルで、PyTorch推論コードが公開されている。購入判断の多くを左右するのはEloの差よりもこのフットプリントの違いだ。なぜなら、実行できないモデルは評価できるモデルではないからであり、さらに2つのライセンスはその上で相反する方向を向いている。

同じラベル、2種類の異なるオープンウェイト

両方のエントリはボード上にweightsリンクを表示しており、どちらもプレスリリースではオープンと説明されるだろう。どちらもオープンソースではなく、制限の形も同じではない。

Breeze TTS 2の重みは2026年8月25日、Hugging Face上でBreezeBlue/Breeze-TTS-2として、PyTorch推論コードとともに研究用・非商用ライセンスの下で公開された。これは別途の取り決めがない限り商業展開を進められない明確な制約であり、その状況は以降も変わっていない。同社は2026年8月16日と17日に、インタラクティブメディア向けのリアルタイム音声モデルとしてこのモデルを発表し、100万文字あたり34ドルでホスト型APIを公開し、その9日後に重みを公開した。BreezeBlueは、元MiniMax技術共同創業者のYang Binによって、Yuanjing CapitalとRedpoint Chinaが主導する600万ドルのシードラウンドで設立された。

Fish Audio Drama 3はFish Audio Community License v1.0の下で提供されており、このライセンスは多くのチームが重視する点において実質的に寛容です。つまり、あなたおよび関連会社の年間売上高がUS$500,000未満であれば商用利用は無料で、FAQではクライアント向けの完成音声の制作も許可されていると見なされています。この閾値を超える場合、またはDrama 3をテキスト読み上げ、声のクローニング、推論サービスとしてホストしたい場合は、Fish Audioからのライセンスが必要です。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います。前身のS2は、より厳格なResearch Licenseの下に残っているため、Fish Audioの2世代を単一の法的カテゴリーとして扱うことはできません。

実務的な見方：Breeze TTS 2 は実験しやすいモデルだが商用展開は難しい。Drama 3 はその逆だ。評価対象が研究デモや社内ツールなら、Breeze のライセンスは障害にならず、3B の規模なら実験コストも安い。評価が製品化に行き着くなら、Fish Audio の条件は弁護士が交渉なしで署名する類のものだ。

{{1}}Breeze{{/1}} のモデルカードにある一点は、今では古くなっているため、指摘する価値があります。カードの導入部には、モデルが「{{3}}Artificial Analysis{{/3}} の TTS リーダーボードで、オープンウェイトモデルの中で {{2}}1位{{/2}}」とまだ書かれています。それは書かれた時点では正しかったのですが、現在のボードでは {{4}}Breeze TTS 2{{/4}} はプロバイダーボイスで {{5}}13位{{/5}}、コントロールドボイスで {{6}}28位{{/6}} であり、{{7}}Fish Audio{{/7}} の両エントリーより下位にあります。モデルカードはリーダーボードより早く古くなり、カードだけを確認した読者は誤った順位を持ち帰ることになります。

アリーナの数字と、なぜ制御された声のギャップのほうが大きいのか

2026年10月29日にArtificial Analysisから読み取った値：

• Provider Voice Arena — Fish Audio Drama 3は6位でElo 1,278、ボード記録では100万文字あたり15.00ドル。Breeze TTS 2は13位で1,228、34.00ドル。50ポイントの差があり、その間に順位付けされたモデルはすべてクローズドシステムです。

• Controlled Voice Arena — Fish Audio Drama 3 が 1,085 で 12 位、Breeze TTS 2 が 1,021 で 28 位。64 ポイントの差があり、これは各モデルが、それぞれのベンダーが設計した声ではなく、同じ固定の参照音声で採点されるボードです。

• 差が広がる方向性 — ベンダー自身の音声カタログを比較から除外すると、Drama 3の優位性は14ポイント拡大する。これはこの対決で最も有用な単一の数字だ。なぜなら、Fish Audioのリードが、その既製音声の聞こえの良さによる見せかけのものではないことを示しているからだ。

50または64のEloは、ブラインド嗜好テストにおける実際の差であり、比較対象がそのモデルだけになった場合に残る差ではない。どちらもクローズドのフロンティアにははるかに及ばない。Eleven v4 Turboはプロバイダーボードで1,336をリードし、HeyGen Voiceはコントロールボードで1,193をリードしている。このオープンウェイトのペアが提供するのは、セルフホスト可能な下限であって、フロンティアではない。

それぞれを実際に動かすために必要なもの

ここで、比較は抽象的ではなくなる。

• Drama 3 — 総パラメータ数35B、トークンあたり約3Bがアクティブ、256個のルーティングエキスパートのうち8個に加えて共有エキスパート1個。重みはシャードセット全体で約40 GB、さらに別個のコーデックファイルがあり、FP8推論には約48 GBのVRAMが必要。Fish AudioはCPU、Apple Silicon、ROCmの経路を文書化していない。単一のH200上で、ベンダーはS2の毎秒177フレームに対して毎秒271フレームと報告しており、これがスパースアーキテクチャの見返りである。この数値はベンダー報告によるもので、Fish Audio以外では再現されていない。

• Breeze TTS 2 — 3Bの密なパラメータ。BF16チェックポイントは約6 GBなので、24 GBのカードには余裕で収まり、量子化すればより小型のカードでも現実的に動作する可能性がある。推論コードはリポジトリに含まれており、暗黙の前提ではない。単一ストリーム単位の公開レイテンシ値はないが、このモデルはリアルタイムのインタラクティブメディア向けに設計・販売されており、これは高忠実度のナレーションとは異なる要件である。

• トークナイザー — Drama 3 は S2 から Descript Audio Codec の設定を引き継ぎます。44.1 kHz、10 個のコードブック、1 秒あたり約 21.5 フレーム、完全に因果的です。Breeze TTS 2 のトークナイザーは一次資料から引用できるものではなく、それをでっち上げた比較は偽の精度にすぎないでしょう。

その帰結は容赦ない。24 GB カードを 4 枚持つチームは、今日 Breeze TTS 2 を実行できるが、Fish Audio が文書化していないシャーディングの小細工なしでは Drama 3 を実行できない。H200 クラスのカードを 1 枚持つチームは、自分のハードウェアに収まるモデルと、Elo が 50 高いモデルのどちらを選ぶかという状況にある。どちらも間違った答えではない。それらは異なる問いへの答えなのだ。

大量利用時のコストを、Fish Audio が実際に課金する単位で

Fish Audio のドキュメントでは、料金は文字数ではなく100万UTF-8バイト単位で設定されており、英語以外で書く人にとっては計算が変わってきます。同じドキュメントによると、100万UTF-8バイトは約18万英単語、または12時間の音声に相当します。Drama 3 は100万バイトあたり$50.00、完成音声1時間あたり約$4.17で、ローンチ料金は$10.00（1時間あたり約$0.83）で、2026-11-12 09:00 PTまでです。Breeze TTS 2 は100万文字あたり$34.00で、同じ概算換算では1時間あたり約$2.83です。

購入する日によってランキングが逆転します。プロモーション期間中、Drama 3 の時間あたりコストは Breeze TTS 2 のおよそ3分の1です。2026-11-12 以降、定価の Drama 3 は Breeze より時間あたりおよそ47%高くなりますが、アリーナでは Elo スコアが50～64高く、発音も実質的に優れています。さらに CJK やキリル文字のテキストでは、バイト単位の課金によって Drama 3 の順位がさらに上がります。その料金表では3バイト文字のコストが英語文字の3倍になるのに対し、文字単位で課金するベンダーはどちらも同じ料金を請求します。

同じドキュメントに記載された請求に関する2つの詳細は、予算モデルに組み込む価値がある。どちらも実際の支出を気づかないうちに膨らませるからだ。レート制限は1秒あたりのリクエスト数ではなく同時リクエスト数に基づく — スターターティアでは同時5件、$100の有料プランからは15件、$1,000からは50件 — そして制限を超えたリクエストはretry-afterヘッダーなしで429を返すため、素朴な並列レンダラーは独自のバックオフを実装しなければならない。また、存在しない、または完全一致しないモデルIDを指定したリクエストは、デフォルトモデルとして処理され、その料金で請求される。TTS側では、プロモーション期間中にDrama 3ヘッダーを綴り間違えると、割引ではなくS2.1 Proの料金で請求され得るということだ。

両方を1つのパイプラインにまとめる

Fish Audio Drama 3もBreeze TTS 2も、OrcaRouter上のモデルのいずれでもありません。それぞれは各ベンダー独自のAPIを通じて利用され、Fish Audioの場合はサードパーティのプラットフォームを通じても利用されます。このセクションを正直に記述するなら、当社にない経路をほのめかすのではなく、そのことを明記することになります。

オーケストレーション層は別の課題であり、2モデル分割がその価値を発揮するのはまさにここです。ナレーションにDrama 3、リアルタイムUIプロンプトにBreeze TTS 2を使いたい小規模スタジオは、1つの締め切りを前に、2つのSDK、2つの料金表、2つの障害モードを抱えることになります。スタックの残りをプロバイダーの定価でマークアップなしの単一エンドポイント、上流間の自動フェイルオーバーを備えてルーティングすることは、TTSベンダーの選択が2つ目の契約ではなく設定の1行になることを意味します。さらに、ルーティングDSLは、モデル呼び出しと音声ステップをアプリケーションコードで後付けでつなぎ合わせるのではなく、まとめて構成できます。

今日選ぶとして、ハードウェアをすでに購入済みなら、判断はほぼ自動的に決まります。48 GBのVRAMは6 GBとは別の予算区分であり、Breezeの研究専用ライセンスはDrama 3の収益上限付きコミュニティライセンスとは別の法務レビューが必要だからです。オープンウェイト級の中で品質を基準に選ぶなら、答えは両方の分野でも発音でもDrama 3であり、価格の論拠が通用するのは次の2週間だけです。