Fish Audio Drama 3 vs Ming 3.0 TTS：クローン音声の下で消える91ポイントの優位

Fish Audio Drama 3は、各モデルが独自の声のキャストで話すリーダーボードでMing 3.0 TTSを91 Eloポイント上回り、両方に同じ8つのクローン参照音声が渡されるリーダーボードでは17ポイント上回る——その差は、信頼区間が重なるほど狭い。両方とも過去6週間のオープンウェイト公開で、両方ともArtificial Analysisによって採点されており、難しい単語が実際に口から正しく出たかどうかを人間に尋ねる唯一のテストでは、両方とも93.2%に位置する。3つの数字、そのうち2つは異なる方向を指している。どちらを信じるかがどのモデルを買うかを決め、その答えはあなたの製品が自分自身のように聞こえるか、誰か他の人のように聞こえるかによって変わる。

2つのリリースは6週間差で、正反対の規模で作られた

Drama 3は2026年10月13日に発表され、Fish AudioのAPI上でdrama-3として稼働中で、重みはHugging Faceに新しいコミュニティライセンスの下で公開されています。Ming 3.0 TTSはより静かに、しかも断片的に登場しました。InclusionAIのHugging Faceリポジトリが9月22日に、0.5Bの重みが9月24日に、推論コードは10月19日にようやく現れたため、Artificial Analysisがそれをスコアリングできたのは10月20日になってからでした。Ant Groupはこれについてローンチ投稿を一度も出しておらず、ホスト型エンドポイントも定価もありません。

スペックシートは大きく異なっており、リーダーボードが意味を持つ前にまず理解すべきなのはそのことだ。

• パラメータ — 35BのMixture of Experts（トークンあたり約3Bがアクティブ）で、Qwen3.5-35B-A3Bから初期化され、256個のエキスパートのうち8個と1個の共有エキスパートをルーティングする。これに対して、Qwen2.5-0.5Bをバックボーンとする0.5Bのdenseモデル。Antはさらに、Ming-3.0-tts-tinyという総パラメータ7.9B／アクティブ1.3BのMoEも提供しているが、これには独立したスコアがまったくない。

• 言語カバレッジ — Drama 3 では83言語対応を謳っていますが、0.5B Ming チェックポイントでは7言語（中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語）に加え、方言の参照クリップを提供した場合は四川語と広東語にも対応します。

• 出力 — どちらも44.1 kHzで、大きく異なる仕組みを通じて生成されます。Drama 3は前身のDescript Audio Codecトークナイザーを10個のコードブック、毎秒約21.5フレームのまま維持し、一方MingはAudioVAEを通じて連続潜在表現をデコードします。

• 重みとライセンス — Drama 3 は Fish Audio Community License v1.0 の下にあり、年間売上50万米ドル未満では無料、それ以上の場合、または合成をサービスとして再販する場合は交渉可能です。Ming 3.0 TTS は MIT ライセンスで、売上条件は一切ありません。

• 価格 — 定価ではUTF-8バイト100万あたり50米ドル、2026年11月12日までは10米ドルに割引。一方、購入するものがないため価格はなし：2.96 GBのチェックポイントをダウンロードして実行するだけです。

規模の違いは双方に影響します。Drama 3の35Bバックボーンは、長い脚本全体にわたって一つの方向性を保ち、複数の話者を単一のシーンに配役できるようにするもので、話者ごとに1つの音声IDを配列として渡します。また、誰もそれをラップトップに載せようとはしない理由でもあります。Mingの0.5Bは、手頃なGPU1台で提供でき、レンタルしたGPU1台でファインチューニングできるモデルです。

なぜ Artificial Analysis は 2 つの異なる回答を示すのか

誰もが最初に引き合いに出すボードはProvider Voice Arenaであり、そこでDrama 3は真のリードを築いた。10月29日時点で、Drama 3は100モデル中6位、Eloは1,278で、Artificial Analysisによる価格はデフォルト設定で100万文字あたり15米ドル。Ming 3.0 TTSは24位で1,187だが、商用エンドポイントがなく記録できる価格がないため、価格は記録されていない。信頼区間が±13〜±18程度のボードにおける91ポイントの差はノイズではない。Drama 3のネイティブ音声が好まれているのは明らかだ。同じ表の一つの詳細が理由の一部を説明している。Artificial AnalysisはMingを3つのアリーナ音声に対して採点し、Drama 3を8つに対して採点した。

2つ目のランキング表は別の問いを投げ、首位の差は消えてしまう。Controlled Voice Arena はすべてのシステムに同じ8つのクローン音声（米国4つ、英国4つ）を与えるため、比較はどちらの声優が優れているかではなく、各モデルが他人の声をどれだけうまく身に着けられるかに変わる。そこでは Drama 3 が1,085点で49台中12位、区間は1,069〜1,101。Ming は1,068点で17位、区間は1,053〜1,083。両区間は1,069〜1,083の範囲を共有する。これは同点であり、そうでないと言うのは、この調査にない精度を読み込むことになる。

また、Artificial Analysis は依然としてDrama 3 Previewの行を別途そのボードに1,063（20位）で掲載していることにも注意してください。本番用チェックポイントと9月にリリースされたプレビューは2つの異なるシステムとしてスコア評価されているため、どの行を指しているのか明示せずに「Drama 3」を引用する比較は比較になりません。ここに示す当社の数値は本番用の行によるものです。

実務的な見解はこうだ。自社製品が独自のボイスキャスト——ナレーター、サポートエージェント、ゲーム内キャラクター——を搭載しているなら、Drama 3の優位性は本物であり、しかも大きい。一方、顧客やクリエイターの声をクローンしてその声で話す製品であれば、両モデルは実質的に互角であり、判断は代わりに価格、ライセンス、言語カバレッジへと委ねられる。

93.2%の発音同率は4つの異なる結果です

Artificial Analysisの英語発音堅牢性テストでは、両モデルとも93.2%と公表されている——10月20日にボードが公表した結果で、31システム中共同1位となり、91.7%のEleven v4を上回った。その見出しは至る所で繰り返されているが、運用上重要となる唯一の部分を隠している。つまり、両モデルは正反対の種類のテキストで失敗するのだ。

• 完全一致シーケンス — Mingはそれを90.6%の割合で保持し、31件中1位。Drama 3の同等の数値は86.3%。注文番号、URL、ファイルパス、シリアルコードはMingの方がよく保持される。

• 略語展開 — Ming 96.5%（31件中1位でもある）、Drama 3は93.6%。日付・単位・略語は綴らずに読み上げられる。

• 単独の用語 — Drama 3が95.9%に対し、Mingが88.5%で、Mingは31中21位です。ブランド名、地名、技術用語はDrama 3の最も得意なカテゴリーです。

• 文脈に適した用語 — Drama 3が95.3%、Mingが91.0%、31件中13位。

Ming の単独名詞に対する弱点は、その音声の品揃えと軌を一にしている。0.5B には中国語の内蔵音声が100種類以上、英語の音声が5種類搭載されているため、英語の固有名詞の処理に使える材料が少ない。Drama 3 の弱点はその裏返しだ。演技を届けるよう訓練されたモデルは、コード番号を演技として届けてしまうことがある。

93.2%はいずれもベンダー申告ではありません。どちらも同じ独立系評価ハーネスに由来しており、そもそも比較できるのはそのためです。そして、このカテゴリーではそれが珍しいこと――公表されている単語誤り率の表の大半は、各ラボが自前のプロンプトで実施したものだから――は特筆する価値があります。

100万文字にかかる実際のコスト

Drama 3は入力サイズに基づいて課金されます。100万UTF-8バイトあたりUS$50で、2026年11月12日09:00（太平洋時間）まではUS$10に引き下げられます。11月13日のその5倍への跳ね上がりは、この比較の中で単一の最大数値であり、いつ読むかによって、完成1時間あたりのコストに関する2つのモデルの順位を変えます。

また、何かを接続する前に知っておくべき課金の罠もあります。Drama 3はS2.1 Proと同じPOST /v1/ttsエンドポイントを維持しており、モデルヘッダーが欠落しているか綴りが間違っていると、リクエストは何の通知もなくs2.1-proにフォールバックし、その分の課金が発生します。もっともらしい音声が返り、エラーも出ないため、環境変数のタイポは、誰かが声が違うことに気づくまで何週間もそのまま動き続ける可能性があります。

Mingには請求書が一切ないが、それは無料であることとは違う。支払うのはGPU時間とエンジニアリング時間だ。0.5Bチェックポイントは2.96 GBで、音声VAE、CAM++話者エンコーダ、トークナイザーを組み合わせる必要があり、ベンダーのサポート保証も付いていない。Antが公開しているのはベンチマーク表とGradioデモであって、サービスレベル契約ではない。

ここがルーターが本当に役立つ場面であり、本当に役立たない場面です。OrcaRouter はプロバイダーの定価を 0% のマークアップでそのまま通すため、Fish Audio のようなベンダーのプロモーションは、私たちがルーティングするあらゆる対象に当日そのまま適用されます — Drama 3 はその対象ではなく、Ming も同様です。現在提供している音声エンドポイントは Google の Gemini TTS ラインと OpenAI の TTS-1-HD で、いずれも 単一のキーの背後にある 1 つの API を通じて、テキストモデルと並んで利用できます。Drama 3 と Ming を比較している場合、どちらもルーティングレイヤーがホストしてくれることはありません。単一のキーで得られるのは、それらの周辺にあるパイプラインの残りです。

ライセンスはリーダーボードよりも多くを決める

MIT と Fish Audio Community License v1.0 の対比は、このペアの中で最も鋭い分岐点であり、哲学的な違いではない。Ming の MIT 条件では、どの規模の企業でもモデルを有料製品に組み込み、再販し、ファインチューニングして派生版を出荷できる。収益のしきい値も、Ant との協議も不要だ。

Drama 3のライセンスは、研究および非商用利用では無償、あなたと関連会社の年間収益が50万米ドル未満である限り商用利用も無償で、それを超える場合、またはDrama 3を音声合成（text-to-speech）、クローニング、推論サービスとして提供したい場合は規模を問わず、交渉によるライセンスが必要です。モデルカード自体のFAQはほとんどのFAQより明確で、クライアント向けの完成音声は問題ないが、競合する合成APIは不可です。

前提として置くのではなく確認すべき点が一つあります。fishaudio/drama-3 の Hugging Face メタデータは依然として fish-audio-research-license と表示されていますが、カードの本文には Community License と記載されています。デプロイの承認を担当する立場にあるなら、タグではなくリポジトリ内のライセンスファイルを読んでください。

音声ドラマを制作するスタジオにとって、50万ドルの関門は問題ではなく、読むべきはサービス条項のほうだ。その売上ラインを超える製品に音声機能を組み込む企業にとって、Drama 3 は調達の話であり、Ming は pip install で済む。

どちらを選ぶべきですか

サポート向けまたはトランザクション向けの音声、英語または中国語に対応。Ming。ボットが注文番号や予約参照番号を読み上げる際に最も重要な2つの部門で首位に立ち、MITライセンスであり、既にお持ちのハードウェアで動作します。クローン音声との同点という結果は、そこに到達するために自然さを犠牲にしていないことを意味します。

ナレーション、オーディオドラマ、ブランド名の多いスクリプト、多数の言語。ドラマ3。プロバイダ音声の優位性は現実のものであり、固有名詞はその最強のカテゴリーであり、83言語対7言語という差はプロンプトエンジニアリングで埋められるものではない。11月の価格変更に備えて予算を組み、サービス条項を読むべし。

すでに複数のテイクをこなすパイプライン。Drama 3、ただし実際にリビジョンループを使う場合に限る。Fish Audio は人間の選好に基づく報酬モデルでこれを訓練し、望むパフォーマンスを引き出す方法としてマルチターンのリビジョンを推している。Ming は単一ショットのモデルで、それと比較検討できるリビジョン機構がない。したがって、テイク構成は両者を比較する理由ではなく、Drama 3 を選ぶ理由である。

VRAMが制約となるあらゆるデプロイ環境。Ming、文句なし。H200sでベンチマークされる35Bの専門家混合モデルは、手軽だからという理由で動かすモデルではない。

何を観るべきか

3つの日付と1つの空白。11月13日にDrama 3のプロモーション価格が終了し、US$10がUS$50になります。5倍の動きで、このカテゴリのあらゆるコスト比較を一夜にして塗り替えることになります。その前に、Artificial AnalysisがDrama 3とDrama 3 Previewの行を統合するかどうかに注目してください。同じモデルを2回掲載するボードは、この記事が避けようとしているまさにそのずさんな引用を招くからです。また、Ming-3.0-tts-tinyのスコアにも注目してください。7.9B MoE版はAntがポッドキャスト生成向けに実際に売り込んでいるモデルで、現時点ではベンダー公表の数値しかありません。中国語の単語誤り率0.820%、韓国語6.000%で、その背後に独立した裏付けは何もありません。

正直にまとめると、これらは同じ製品の2つのバージョンではありません。一方は、音声システムを破綻させるようなテキストにこそ優れた、寛容なライセンスの小型の働き手です。もう一方は、自前のキャストを使えば現行のオープンモデルの中で最も音質が良い、ライセンスで制限された大規模な高性能エンジンです。91ポイントのリードは確かに本物です。ただ、それはほとんどの製品が決して問わない問いに対するリードにすぎません。