Fish Audio Drama 3 vs Inworld Realtime TTS-2：一方は台本を読み上げ、もう一方は会話に追随する

「Realtime」という語はInworld Realtime TTS-2において、モデルが何をするかを説明するものではなく、レイテンシーに関する主張です。Inworldのライブ会話向け音声対音声製品は、同社独自の料金ページに別項目として掲載されています。Realtime TTS-2は、インタラクティブな用途に十分な速さを持つテキスト読み上げモデルです。この違いは、Fish Audio Drama 3と並べて見た瞬間に重要になります。これは正反対の役割向けに作られた350億パラメータのモデルであり、その設計全体は、1行でも発話される前に台本へ演技指示を書き込むことを前提としています。Artificial Analysisで両者を並べると、その差は異例なほど明確です。Drama 3はProvider Voice Arenaで11ポイント、InworldはControlled Voice Arenaで61ポイントリードしています。この差の方向は、どちらの数値だけよりも、それぞれが何のためのものかを多く語っています。

そもそも同じものを目指していなかった2つの製品

Inworld Realtime TTS-2は2026-05-05に研究プレビューとして公開され、2026-09-02に一般提供（GA）に至りました。GA時の訴求点は忠実性ではありませんでした。モデルが会話の過去のターンを音声として受け取り、次のセリフがどう聞こえるべきかを決める前に、トーンとテンポについて推論する、という点でした。それは会話型エージェント向けの機能です。不満を抱えた顧客の声をたった今聞いたサポートボットに必要なのは、舞台指示ではなく、今言われたことからそれを推測することです。

Fish Audio Drama 3は2026-10-13に公開され、正反対の方向性を示している。それが謳う機能はすべて、明示的なオーサリングに関するものだ。統御する語句の前に置く角括弧の指示、行の途中に配置するサウンド／ポーズイベント、囲んだ語句だけを変化させるペアタグ（whisper、emphasis、soft、fast、slow、stress、forceful）、発音を固定するための音素ピン留め、単一フレーズ用の言語切り替えタグ、スクリプトとは異なる言語で書かれた指示、そしてreference_id配列とターンごとの話者タグによる、1回のリクエスト内での複数話者ダイアログ。このリストのどれも文脈から推測できるものではない。そのすべてが、書き手がタイプするものだ。

「どちらが優れているか」ではなく「どの失敗なら許容できるか」——これが率直な捉え方だ。12人の登場人物が出演するシーンを感情の連続性を保ってレンダリングしなければならないドラマ生成パイプラインは、チャット履歴から話し方のトーンを推測するよう設計されたモデルでは実現できない。1秒未満で応答しなければならない音声エージェントは、舞台指示と48GBのVRAMを要求するモデルでは実現できない。両方が本当に実用可能な領域の重なりは狭い。すなわち、台本に沿った高品質なナレーションをAPI経由でインタラクティブコンテンツに届ける用途だ——オーディオブックの試聴、事前レンダリング済みのNPCの掛け声、定期的に再生成が必要なマーケティング用VOなどが該当する。

ボードは、正しい順序で読んでください

以下の2つの数値は、2026-10-29にArtificial Analysisから取得したものです：

• Provider Voice Arena — Fish Audio Drama 3 は6位で1,278、ボード記録は100万文字あたり15.00ドル。Inworld Realtime TTS-2 は8位で1,267、20.80ドル。Inworld Realtime TTS-2 Flash は統制ボードで19位、1,065。

• Controlled Voice Arena — Fish Audio Drama 3は1,085で12位、Inworld Realtime TTS-2は1,146で7位。ここではInworldが61ポイント先行しています。

• この非対称性 — 比較が各ベンダー自身のカタログではなく同一の参照音声で実行された瞬間、Drama 3のプロバイダーとしての11ポイントの優位性は縮小し、反転する。そのリードは主に、Fish Audioが提供する音声の中でのリードであり、Inworldのそれはそうではない。

• もう一つの非対称性 — Inworldの2つのエントリはボード上で離れた位置にあり、フラッグシップが1,146、Flashが1,065で、同じファミリー内のティア間に81ポイントの差があります。Drama 3には下位ティアがなく、35Bモデルを選ぶか、別のものを使うしかありません。

これは、Google Gemini 3.8 Flash TTS における同じ2つのボードとは逆のパターンです。そこではクローズドモデルがプロバイダー音声で勝ち、統制ボードで負けていました。どちらのパターンもノイズではありません。どちらも、単一のアリーナ数値はモデルと音声ライブラリのバンドルを表しており、モデルを切り離しているのは統制ボードだけだということを思い出させてくれます。

コンテキスト認識と方向性の違いを具体的に

Inworld Realtime TTS-2 の GA 発表では、会話履歴（過去のターンを音声として）を読み取り、それを使ってペーシングとトーンを形作るモデルが説明されています。それはベンダーの主張であり、独立にスコア化された能力ではなく、Artificial Analysis のアリーナはそれをテストしていません。アリーナがテストするのは、参照音声に対する単一のセリフです。つまり、Inworld が実際に売り込んでいる機能は、現在どの公開ベンチマークでも測定されていないものです。この主張は有望だが未検証のものとして扱い、リーダーボードではなく自分の対話に対してテストしてください。

Drama 3 のディレクション機能は、括弧を変えると出力が変化するのを確認できるという狭い意味で測定可能であり、Fish Audio はそれぞれをサンプル音声付きで文書化している。この比較でどの競合も匹敵しない機能は、言語に依存しないディレクションだ。英語の行の前に中国語で書かれたディレクションを、文書化し実演している。国際的なポストプロダクションチームにとって、それはあれば嬉しい機能ではなく業務上の突破口であり、1時間以内のパイロットで現れる類のものだ。

それらのどちらを選ぶかを検討しているチームにとっての実践的なテストは、自分たちの対話を1ページ用意することです。それを、本番環境と同じようにInworldの会話コンテキストを設定してレンダリングし、さらにDrama 3と明示的な演出指示を使ってレンダリングします。手作業で修正しなければならないセリフがより少ない方が答えであり、その答えはチャットエージェントの場合とラジオドラマの場合で異なります。

クローニング、レイテンシ、そして計画に使える数字

Inworldのインスタント音声クローニングは5～15秒の参照音声を受け付け、プロフェッショナルクローニングのベータ版は約10分の音声を使ってより高忠実度なクローンを作成します。これらはベンダー公表の数値であり、検証できるほど具体的です。Fish Audioのクローニングは生成と同じクレジットシステム内にあり、Drama 3はサブスクリプションプランでS2.1 Proと同じクレジットを使用します。しかし異なるのはライセンスの部分で、Fish Audioのコミュニティライセンスは同意なく実在の人物の声をクローニングすることを明示的に禁じているのに対し、Inworldの規約は通常のAPI規約です。

レイテンシーこそが、Inworldが明らかに適切なツールとなる領域であり、比較はそうでないふりをすべきではない。Realtime TTS-2とそのFlashティアはインタラクティブな製品のために作られており、Flashティアはまさにそれを必要とするワークロード向けに、フラッグシップより40%低い価格に設定されている。Fish Audioが公開しているDrama 3の速度値は、単一のH200で毎秒271フレーム、S2は177フレームだ——これはバッチレンダリングのスループット数値であり、ライブストリームの初回バイトまでの時間ではない。もしあなたの要件が「音声が会話のターン内で始まらなければならない」というものであれば、あなたはInworldの製品の領域にあり、Drama 3の11ポイントのプロバイダー優位がどれほどであってもそれは変わらない。

実際に支払うレートでの価格

Inworld Realtime TTS-2はオンデマンドで100万文字あたり25.00ドル、25ドルのCreatorプランでは20.00ドル、Builderでは17.50ドル、Developerでは15.00ドル、Growthでは12.50ドルに下がり、Flashはオンデマンドで15.00ドル、Growthでは7.00ドルまで下がります。Fish Audio Drama 3は定価で100万UTF-8バイトあたり50.00ドル、2026-11-12 09:00 PTまでのローンチプロモーション中は10.00ドルです。10万文字の英語スクリプトでは、Inworldのオンデマンド料金で2.50ドル、Drama 3の定価では5.00ドル、プロモーション中は1.00ドルになります。

三つの注意点は、その計算の下ではなく、計算の中に含めるべきものです。Drama 3はUTF-8バイト単位で課金されるため、同じ文字数でもCJK文字のスクリプトは英語のスクリプトの何倍ものコストがかかります。一方、Inworldの文字単位の料金は変わりません。Drama 3の演出用ブラケットは入力テキストとして課金され、演出指示が多いスクリプトでは10〜25%の増加になります——まさにモデルが必要になるのは、そうしたスクリプトです。さらに、Fish Audioのフォールバックは暗黙に行われます。モデルヘッダーが欠落しているか完全一致しないリクエストは、拒否されるのではなく、s2.1-proとして処理され、100万バイトあたり$15.00で課金されます。

三つの注意点をすべて踏まえても残る比較は、価格表が示すより短い。定価では、Inworldは英語1文字あたりDrama 3の約半分で、制御された声ではDrama 3より優れている。プロモーション期間中は、Drama 3はInworldの価格の3分の1だ。価格だけで決める人は、製品ではなく日付を選んでいる。

どちらも当社のカタログには載っておらず、それが何を変えるのか

Fish Audio Drama 3 と Inworld Realtime TTS-2 は、それぞれのベンダーの API とサードパーティのプラットフォームを通じて利用され、どちらも OrcaRouter 上のモデルではありません。ここでのルーティングの議論は、この2つではなくスタックの残りの部分に関するものです。音声製品が音声モデルを1つだけ呼び出してそれ以外に何もしないことはまれで、セリフのために LLM を、音声のために音声モデルを、場合によっては別のセグメントのために2つ目の音声モデルを呼び出し、しかも締切があります。非音声側をプロバイダーの定価でマークアップなしの1つのキーの背後にまとめ、上流の一時的な不具合が1回あってもレンダリングを滞らせない自動フェイルオーバーを備えることが、音声の選択をアーキテクチャ上の決定ではなく構成上の決定に保つ理由です。

この特定の組み合わせでルーティングDSLが真価を発揮するのは、混在パイプラインです。事前レンダリングされたドラマチックなセリフはDrama 3経由で、ライブの会話ターンはInworld経由で処理し、それらを1つのキー上の2つのルートとして扱い、セグメントごとに選択を行います。モデル融合は、どちらを選ぶか決められない場合をカバーします。同じセリフを両方でレンダリングし、参照に対してスコアリングし、勝った方を採用します。どちらも、どちらかのベンダーの価格を回避する方法ではありません。設定ファイルの1行を節約するために2つの統合を保守する手間を回避する方法です。

どちらを選ぶかを決めている読者にとっては、次のとおりです。音声が会話に反応する必要があり、レイテンシが制約で、大量の処理量を吸収する Flash ティアが欲しく、クローズド API が許容できるなら Inworld Realtime TTS-2。音声が反応型ではなくあらかじめ作り込まれており、人名やコードの読み上げが確実である必要があり、演出指示を文書化する必要があり、モデルの重みが欲しい、またはブリーフが台本とは別の言語で書かれるなら Fish Audio Drama 3。そのリストの中で最も重要でない数字はプロバイダー間の11ポイントのリードです。採用を決める前に自分の参照音声と照らし合わせて確認すべきなのは、統制条件下の61ポイントの不足のほうです。