Fish Audio Drama 3 対 Gemini 3.8 Flash TTS：今や安いのは Google で、それがいつもの議論を逆転させる

完成音声1分あたりの価格でこの2つを比べると、もはや市場が今年ずっと重ねてきた比較には見えなくなる。Google Gemini 3.8 Flash TTSは100万オーディオトークンあたり9.00ドルで課金され、音声は毎秒25トークンで生成される。これは1秒あたり0.02セント強、音声1時間あたり約0.81ドルに相当する。Fish Audio Drama 3は100万UTF-8バイトあたり50.00ドルの定価で、ベンダー自身のドキュメントでは約12時間分の音声に相当するとしている。定価では1時間あたり約4.17ドル、2026年11月12日に終了するローンチプロモーション中は1時間あたり0.83ドルだ。つまり、割引が終わればGoogleの旗艦音声モデルはオープンウェイトの挑戦者より5分の1の価格になり、割引中はほぼ同じ価格になる。機敏なオープンモデルがハイパースケーラーを価格で下回るといういつもの構図は、ここではまったく逆であり、その理由を理解することがこの判断のすべてだ。

計算は、検証できるだけの詳細で

Googleの単位は文字ではなくトークンであり、そのため、文字単位で料金を設定するベンダーと並べると見出しの数字が目立たなく見えたのです。Gemini 3.8 Flash TTSは音声を音声1秒あたり25トークンで出力し、2026年末まで100万トークンあたり9.00ドルです。また、これが取って代わるモデルであるGemini 3.1 Flash TTS Previewは、同じ出力100万トークンあたり20.00ドルで提供されていました。2026年9月23日に同時リリースされたGemini 3.8 Flash-Lite TTSは、対応言語リストがより短く、料金もさらに低くなっており、Artificial Analysisは比較目的で100万文字あたり11.00ドルと記録しています。

Fish Audioの課金単位は文字ではなくバイトで、ドキュメントにも換算が明記されています。100万UTF-8バイトは約18万英単語、つまり約12時間分の音声に相当します。100万バイトあたり$50.00なら、諸経費を別にしても毎時$4.17です。プロモーション価格の$10.00なら$0.83になります。演出指示のブラケットは入力テキストとして課金されるため、演出指示の多い台本は単語数から想定されるより10〜25%高くつきます。しかもこの対決では、すべてのブラケットが課金対象です。なぜならDrama 3の設計全体は、演技を台本に書き込むことにあるからです。

• 音声1時間あたりの定価 — Gemini 3.8 Flash TTS 約0.81ドル、Drama 3 約4.17ドル。

• キャンペーン価格（1時間あたり）— Gemini 3.8 Flash TTS は約0.81ドル、Drama 3 は約0.83ドル。実質ほぼ互角です。

• 単位 — Google 側は出力の 1 秒あたりトークン数、Fish Audio 側は入力の UTF-8 バイト数。どちらも誠実な単位です。しかし両者は同じ単位ではなく、変換せずに混ぜ合わせた「100万 X あたり」の比較はノイズにすぎません。

• 隠れた明細 — モデルヘッダーが欠落しているか綴りが間違っている Drama 3 リクエストは失敗せず、s2.1-pro にフォールバックし、100万バイトあたり $15.00 で請求されます。これは、タイポに対するプロモーション料金を50%上回る追加料金です。

Googleの価格が実際に買うもの

1時間あたりのコストが安いことは、出力が実用に耐える場合にのみ意味があり、独立系の数値は、それが特定の形で当てはまることを示している。Artificial AnalysisはGoogle Gemini 3.8 Flash TTSを、Provider Voice ArenaではElo 1,283、ボード記録の$16.50で5位（Fish Audio Drama 3の1,278を上回る）に、Controlled Voice Arenaでは1,053で24位（Drama 3の1,085を下回る）に位置づけている。この二分された結果が、このモデルを一言で表している。Google自身の音声が使われる場面では非常に優れて聞こえるが、すべてのモデルが同じ参照音声で評価されるとボードの中位まで落ちる。

発音ボードも同様に限定的な話を伝えている。Gemini 3.8 Flash TTSは、文脈に適したカテゴリーで98.0%と、採点対象31モデル中首位に立ち、Drama 3は95.3%だ。これは同モデルの弱点ではない。この比較におけるGoogleの弱点は制御だ。Geminiには、KoreやPuckを含む30種類のプリビルトのスタジオ音声が用意され、130言語すべてのセットと自動言語検出を備え、ドキュメントが「数百」と説明する音声ライブラリがExtended Voice Libraryにある一方、マーケティングページには2,000以上と書かれている。これらの数字は外部から突き合わせられたことはなく、特定の音声があなたの製品にとって不可欠な場合、その音声をテストすることが、誰も正直に答えられる唯一の方法だ。

クローニングなしで使える30種類の音声は、サポートボットや製品ナレーター、語学学習アプリには十分だ。しかし、ドラマ制作のパイプラインや、12人のキャラクターに声を割り当てる必要があるゲーム、あるいは音声そのものが納品物となるクライアント案件には十分ではない。それがFish Audioが埋めるギャップであり、それは程度の差ではなく種類の差である。

オープンウェイトで得られるものと、動かすのにかかるコスト

Fish Audio Drama 3 は 350 億パラメータの mixture-of-experts で、トークンあたり約 30 億パラメータが有効になり、Qwen3.5-35B-A3B から初期化されています。256 個の routed experts のうち 8 個に共有エキスパート 1 個を加えた構成で、40 層を 3 つの Gated DeltaNet 層と 1 つのゲート付き full-attention 層のブロックに分けています。重みは Hugging Face 上で fishaudio/drama-3 として公開されており、シャードセット全体で約 40 GB に別個のコーデックファイルを加えた規模です。FP8 推論には約 48 GB の VRAM が必要で、CPU や ROCm の経路は文書化されていません。提供は SGLang-Omni 経由で、ベンダーは単一の H200 で毎秒 271 フレーム、S2 では 177 フレームと報告しています。

そのハードウェアという選択肢こそが本当の分岐点だ。グーグルの1時間0.81ドルという価格には設備投資も運用も含まれておらず、あなたの固定費はリクエストだけだ。Drama 3の1時間0.83ドルというキャンペーン料金はAPI料金であり、自前で動かせばそれが48 GBのGPU、サービングスタック、そしてそれを管理する人へと変わる。月40時間分の音声カタログなら、APIの方が明らかに安い。だが数千時間の場合、あるいは第三者を介さずに動かさなければならないものの場合、ウェイトは議論を根本から変えてしまう——そしてそれは、グーグルがどんな価格でも売っていない唯一のものだ。

ライセンスはここでも重要です。なぜなら、それが「オープンウェイト」と「無料」を分けるものだからです。Drama 3はFish Audio Community License v1.0の下で公開されています。研究および非商用利用は無料、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料で、その閾値を超える場合、またはDrama 3自体をホスト型音声サービスやクローニングサービスとして提供する場合には別途ライセンスが必要です。Artificial Analysisは、完全な商用利用権なしのオープンウェイトと分類しています。Googleの条件は通常のAPI条件であり、これは別の論点群です — 再配布ではなくデータ処理に関するものです。

言語、そして見た目ほどには働いていない数

Googleは、テキストからの自動検出により130言語に対応すると主張している。Fish Audioは83言語と主張し、それにかなり奇妙な能力を付け加えている。演出指示はどの言語でも書け、台本の言語と一致しなくてもよい。また、1つのフレーズを行の途中で別の言語に切り替える、文書化された言語切り替えタグがある（実験的と明記されている）。これらは異なる製品だ。Googleの数字は、1つの連携でいくつの市場に参入できるかに関するものだ。Fish Audioの数字は、台本の言語を共有していないかもしれないディレクターによって、1行をどれだけ精密に生成できるかに関するものだ。

ローカライズ製品を提供するチームにとって、130 は 83 を上回り、自動検出は実際に運用上の節約になります。言語ごとのルーティングも、言語ごとの音声選択も不要です。目が肥えた聴衆向けに 1〜2 言語でコンテンツを制作するチームにとって、83 は制約ではなく、任意の言語でのディレクション機能のほうが 2 つの機能の中では価値が高いです。どちらの数字も順位表の位置として読むべきではありません。モデルがうたう言語の数は、必要な言語でそのモデルがどれだけ優れているかとこれまでほとんど相関してきませんでした。

ルーティングされたスタック内で、それぞれがどこに位置するか

このシリーズの中で、プロバイダー側が完全に正直とは言えない点をごまかさずに扱う数少ない記事の一つです。OrcaRouterはGoogleの以前のGemini音声モデル——google/gemini-3.1-flash-tts-previewとgoogle/gemini-2.5-flash-preview-ttsは現在どちらもカタログに掲載されています——をルーティングしますが、Google Gemini 3.8 Flash TTSはルーティングせず、Fish Audio Drama 3もルーティングしません。古いGemini TTSモデルはGoogleの定価で、マークアップなしで弊社を通じて利用できます。この記事が実際に扱っている2つのモデルは、各ベンダー自身のAPIを通じて、また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利用できます。

有用な帰結は、Google の音声利用料金の大部分をすでに 1 つのキーで管理できるということであり、フェイルオーバー層があるからこそ、その比較を低コストで実行できます：Drama 3 のカナリアを Gemini 3.8 Flash TTS 呼び出しの隣に置き、受け入れテストを通過した方へ本番経路をルーティングすれば、セグメント単位の選択は 2 つの SDK ではなくルーティング DSL の中で完結します。モデル融合は、これによって浮上するもう 1 つの選択肢です。つまり、同じ行を両方でレンダリングし、定義したルールで選ぶパネルであり、ナレーションではコードを含む行には Drama 3 の発音を、散文には Google の文脈読み取りを残せます。

結論を率直に言うと、クローニング不要でインフラ構築の意向もない大量の英語案件なら、1時間0.81ドルのGemini 3.8 Flash TTSが、プロバイダー音声を使ううえでより安価で音質も良いモデルであり、Drama 3を支持する論拠は料金表を前にすると成立しない。カスタム音声やキャスト音声、単語単位の指示、音素制御、第三者なしでの運用が必要な案件では、Drama 3は二者のうちそもそも対応できる唯一のモデルだ。定価ではGoogleの時間単価の5倍だが、プロモーション中は同額になる。だから次の2週間は、発音上の優位性のために構築する価値があるかどうかを見極めるために誰もが得られる最も安い機会となる。