Fish Audio Drama 3 vs VoxCPM2：リーダーボード vs データシート

Fish Audio Drama 3にはEloがあり、VoxCPM2にはない。そのため、両者の明らかな比較は不可能になり、興味深い比較は見逃されやすくなる。2026年10月13日に発表され、以来Artificial Analysisが採点しているDrama 3は、Provider Voice Arenaで100中6位、スコア1,278につけている。VoxCPM2はArtificial Analysisの音声ボードのいずれにも行がなく、このページで言及されている両方のアリーナにも存在しない。両社が公開しているのはSeed-TTS-evalであり、そこでは数字が単一のランキングでは示せないことを物語っている。各ベンダー自身の実行では、Drama 3はVoxCPM2の1パスを上回るのに2パスを要する。これら2モデルの選択は、実際には品質の問題ではない。文字単位でレンタルする高性能エンジンが欲しいのか、手元に置ける20億パラメータのモデルが欲しいのか、ということだ。

一方にはEloがあり、もう一方にはデータシートがある

この非対称性は、はっきりと述べておく価値がある。なぜなら、ほとんどの比較ページはそれを暗黙のうちに覆い隠しているからだ。Drama 3 は重要なすべてのボードに載っている。Provider Voice Arena では100中6位で1,278、Controlled Voice Arena では49中12位で1,085、英語発音の堅牢性では31中同率1位で93.2%だ。VoxCPM2 はそのどれにも現れていない。

その不在は不祥事ではなく、新しい話でもない。VoxCPM2は2026年春に公開されて以来ずっと存在している——プロジェクトのドキュメントでは2.0系を3月と位置づけ、リポジトリでは2026.04というタグが付き、技術レポートは6月にarXiv:2606.06928として公開された——そしてその間ずっと、誰もこれをブラインド聴取アリーナに入れていない。最もありそうな説明は退屈だ。アリーナの枠は通常、宣伝したいホスト型エンドポイントを持つベンダーによって埋められ、OpenBMBはそれを販売していない。VoxCPM2はHugging FaceとModelScopeで重みを配布し、vLLM-Omniを通じてOpenAI互換の /v1/audio/speech サーバーを提供しており、配布に関する話はそれで全部だ。

正直なところはこうだ。Drama 3 をスコアと比較することもできるし、二つのモデルを互いに比較することもできる。だが両方を同時に行うことはできない。VoxCPM2 対 Drama 3 の Elo を掲げるページは、そのどちらかをでっち上げているにすぎない。

両者が公開している唯一の軸

Seed-TTS-eval はこの分野における共通の尺度に最も近いものであり、両ラボともそれについて報告している。ただ問題は、どちらも同じ形式で完全な表を公開していないことだ。つまり、以下に示すのは2社が自らを測定した結果である。

• 英語の単語誤り率 — Drama 3 は最終テイクで 1.54%、初回テイクで 2.20% と報告しています。VoxCPM2 は単一パスで 1.84% と報告しています。完成した Drama 3 のテイクはこの3つの数値の中で最も良く、その初回テイクは最も悪いです。

• 中国語のエラー率 — Drama 3 は最終テイクで 0.83% CER、初回テイクで 1.00%。VoxCPM2 は 0.97% CER。同じ傾向で、Drama 3 の最終テイクが優位、初回はほぼ同等。

• 話者類似度 — Drama 3 は英語で 0.640（0～1 スケール）と報告しています。一方、VoxCPM2 は英語で 75.3、中国語で 79.5 と報告しており、同報告書の他の箇所で用いられている 0～100 の表記では 0.753 および 0.795 に相当します。VoxCPM2 は、自身の数値上ではより強力なクローナーです。

• より広範な負荷検証 — VoxCPM2はまた、11言語にわたるCV3-evalのエラー率（zh 3.65%、en 5.00%、hard-zh 8.55%、fr 9.85%、it 4.25%、ru 5.21%）と、社内の30言語平均1.68%を公開している。Drama 3は同等の言語別エラーテーブルを公開していないため、それらと並べて示すものは何もない。

類似度の差は真剣に受け取り、単語誤り率の差は軽く扱うべきです。話者類似度は、評価環境の違いを超えて生き残る可能性が最も高い指標です。なぜなら、それは同一の参照音声の埋め込み間のコサイン距離だからです。単語誤り率は、正規化、テキスト前処理、どの参照クリップを使用したかに依存し、2つのラボはそのいずれについても合意する必要がありませんでした。方向性は信頼できます。VoxCPM2はより忠実にクローンし、Drama 3は改訂後により正確に文字起こしします。しかし、その大きさは測定値ではありません。

誰も見出しに載せない改訂税

1.54%と2.20%は、同じテストにおける同じモデルの結果であり、異なるのは最初のテイクがそのまま採用されたかどうかだけだ。Fish Audioの技術レポートはこの点について異例なほど正直で、両方を報告している。複数テイクでの修正こそが製品だからだ。売り文句はこうだ。平易な言葉で台詞を指示し、聴いて、方向を修正し、欲しいテイクを残す——そしてベンチマークは、残したテイクを反映する。

パイプラインがそのように動作するなら、目にするのは1.54%という数字です。ライブ通話、ゲームのセリフ1行、あるいは人間が介在しないバッチレンダリングにシングルパスを流し込んでいるなら、あなたが買っているのは2.20%です——VoxCPM2のシングルパス1.84%より悪い数字です。この逆転こそ、この比較で最も有用な事実であり、どちらのベンダーの表も明らかにしていない点です。これはワークフローのコストも示しています。追加テイクはそれぞれ完全な合成をもう1回必要とし、Drama 3は入力文字数で課金するので、3テイクの習慣は請求額を3倍にします。

VoxCPM2にはこの種の修正機構はない。ゼロショット、継続、参照のみ、参照＋プロンプト音声の組み合わせという4つの生成モードを備えており、不出来なテイクへの対処法は、異なるスタイルタグを付けて再度レンダリングすることだ。文字単位で課金されないため試行あたりのコストは安いが、却下されたテイクをモデルレベルで記憶することはない。ちょっと待って、VoxCPM2について教えて。テンプレートは使わないで。前のメッセージの実際のテキストを使って。

ハードウェアの下限こそが実際の決め手となる

ここで、この2つのモデルは代替品ではなくなります。

• VoxCPM2 のフットプリント — 約 8 GB の VRAM、RTX 4090 ではリアルタイム係数が約 0.30、Nano-VLLM では 0.13。プロジェクトはまた、llama.cpp-omni 経由の Apple M4 Pro で Q8_0 時に 1.76 を報告している。ワークステーション上で動作する。

• Drama 3のフットプリント — Fish AudioはVRAMの最低要件を公表していない。スループット表はH200s上で測定されており、同時ストリーム1本時に166.7フレーム/秒、初回音声出力の中央値88.9 ms、16本時に927.6フレーム/秒、64本時に1,687フレーム/秒、単一ストリーム設定でのRTFは0.131だった。レビュアーはbf16要件を48 GBカードと見積もり、コミュニティの4ビットビルドは約32 GBを主張している。サーバー上、または他人のサーバー上で動作する。

• スループットに関する注意点 — ローンチ記事では単一のH200で毎秒271フレームと引用されている一方、モデルカードのストリーミング表では1リクエスト時に最大166.7にとどまる。どちらも異なる測定設定では成り立ち得るが、それは見出しの速度数値があなたの負荷テストで再現されるものではないことを意味する。

算数の話は次のとおりです。100万文字は、通常のナレーション速度でおよそ15～20時間の完成音声に相当します。RTF 0.30の4090ではGPU時間にして5～6時間、Fish AudioのAPIではローンチプロモーション中は10米ドル、11月12日に終了した後は50米ドルです。VoxCPM2のセルフホスティングは、音声1時間あたりでは安く、実験1時間あたりでははるかに安くなります。メーターを見張ることなく、午後いっぱい声の設計を反復できます。

ルーティングはその選択を解消するわけではないので、それが何をするのかを正確に押さえておく価値があります。OrcaRouterはどちらのモデルもホストしていません。Drama 3はFish Audio自身のAPIおよび複数のサードパーティプラットフォームを通じて利用でき、VoxCPM2はご自身でサーブするウェイトとして利用できます。当社が担うのは、それらを取り巻くパイプラインの音声部分です — GeminiのTTSラインと OpenAIのTTS-1-HD、加えてプロバイダー間の自動フェイルオーバーを備えているため、異常状態になったホスト型エンドポイントが製品全体を道連れに停止させることはありません。「この2つのうちどちらを実行すべきか」という問いなら、答えはルーティングではなくVRAMによって決まります。

パフォーマンスを演出することと、声をデザインすることの違い

二つのモデルは、創造的な作業がどこで行われるかについて意見が分かれており、その相違は表面的なものではなくアーキテクチャに根ざしたものである。

Drama 3はディレクター向けのツールです。指示は、それが修飾する語句の前に角括弧で書き、[声が詰まって、静かに泣く]文の途中で変更することもできます。ペアになったタグを使うと、指示の範囲を特定の単語に限定できます：<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful>。発音はCMU Arpabet、ピンイン、ローマ字を使って音素単位で固定でき、シーンでは話者ごとに1つのボイスIDを配列として指定します。複数のテイクは、以前のテイクを参照しながら修正でき、単語レベルのインペインティングでは、マークした1つの単語を周囲のテイクに合うように再レンダリングします — ただし、インタラクティブ編集とインペインティングはどちらも現在招待制のテスト段階にあり、編集APIは近日提供予定とされています。

VoxCPM2はデザインツールです。最大の特徴はVoice Designで、話者を自然言語で描写すると、参照音声が一切なくてもその声が得られます。さらに、ゼロショットクローニング、プロンプトからの継続生成、分離された参照チャネルを使った参照のみのクローニング（クリップに対応する文字起こしが不要）、タグによるスタイル制御も可能です。制約はその範囲にあります。これは声と話し方を形作るものであり、シーンを作るものではありません。話者アレイ構文や複数キャラクターの対話モード、単語単位の修正はありません。

二人芝居のオーディオドラマにとっては、その違いがどんなベンチマークよりも先に決着をつける。カタログ全体で一貫したブランドボイスを必要とする製品にとっては、VoxCPM2のデザインモードのほうが近道であり、Drama 3の演出構文はほとんどがオーバーヘッドだ。

サンプルレート、言語、およびコーデック引数

• 出力 — VoxCPM2 は、16 kHz でエンコードし 48 kHz でデコードする非対称な AudioVAE V2 を通じて 48 kHz を出力します。Drama 3 は 44.1 kHz のまま、約 21.5 フレーム/秒で 10 コードブックの Descript Audio Codec を通じて生成します。VoxCPM2 の余分な 3.9 kHz は実在しますが、圧縮された配信フォーマットと並べるとほとんど聞き取れません。

• アーキテクチャ — VoxCPM2 は設計上トークナイザーフリーで、MiniCPM-4 バックボーン上で連続潜在を直接予測し、音声コーデックがボトルネックだと主張する。Drama 3 は離散トークンを維持し、その 35B をコードブック型マルチトークン予測デコーダに投じ、最初の2つに続く9つの残差コードブックを予測する。品質の上限がどこにあるかへの2つの賭け。

• 言語 — Drama 3 は83言語を謳い、VoxCPM2 は30言語に加えて9つの中国方言（四川語、広東語、呉語、東北官話、河南語、陝西語、山東語、天津語、閩南語）に対応している。タイ語、ベトナム語、ヘブライ語、スワヒリ語が必要なら、VoxCPM2 はその4つすべてに対応しており、Drama 3 がそのいずれかで明らかに優れているわけではない。83言語が必要なら、このうち検討対象になるのは1つだけだ。

• 学習データ — VoxCPM2は236万時間の音声（中国語と英語が180万時間、多言語が56万時間）で学習されており、これは同社のドキュメントが正確に公表している数値です。Fish Audioは同等の数値を公表していません。これは批判というより、両論文が比較されることを想定して書かれていない、もう一つの箇所にすぎません。

ライセンス：VoxCPM2が唯一明確に勝る点

VoxCPM2はApache 2.0です。どの企業でも、売上高に関係なく、VoxCPM2を組み込み、改変し、ファインチューニングし、再配布し、その出力を販売できます。基準値も交渉もありません。LoRAおよびSFTによるファインチューニングがサポートされ、文書化されています。

Drama 3はFish Audio Community License v1.0の下にあります。研究および非商用利用は無料、あなたと関連会社の年間売上高が50万米ドル未満である間は商用利用も無料、それを超える場合は個別交渉によるライセンスが必要です。ただし、Drama 3をTTS、ボイスクローニング、推論サービスとして提供したい場合は、売上規模にかかわらず個別交渉によるライセンスが必要です。クライアント向けの完成音声は売上高にかかわらず明示的に許可されていますが、競合する合成APIは許可されません。Artificial Analysisはこれを「商用利用権のないオープンウェイト」と指摘しており、この条件を一行で的確に要約しています。

信じるのではなく確認すべき細部もあります。Hugging Face の fishaudio/drama-3 のメタデータには依然として fish-audio-research-license と記載されていますが、カードの本文では Community License と説明されています。そのタグを基に製品を構築する前に、リポジトリ内のライセンスファイルを読んでください。

資金調達済みの企業が音声機能をリリースする場合、その比較はこの一行に尽きます。VoxCPM2 は法務レビューで何のコストもかからず、Drama 3 は営業チームとの会話というコストがかかります。

スコアではなく制約で選ぶ。

GPUが1基あり、出荷すべき製品があります。 VoxCPM2。8ギガバイト、Apache 2.0、48 kHz、そして最初の午後には使えるブランドボイスを手に入れられるボイスデザインモード。その代わりに、シーン演出と、このカテゴリで最高のプロバイダーボイススコアを諦めることになります。

あなたはヒューマン・イン・ザ・ループでスクリプト音声を制作しています。Drama 3。括弧付きの演出指示、スコープ付きタグ、文中での切り替え、単語単位の修正は、オープンウェイトが録音セッションに最も近づけるものであり、英語WER 1.54%は改訂ループがもたらすものです。11月12日の価格変更に備えて予算を組み、まずサービス条項を読んでください。

30言語の外側にある言語が必要です。Drama 3、またはどちらでもない — ただし、特定の言語については、パッケージに書かれた「83」ではなく、Fish Audio 自身の対応範囲に関する主張と照らし合わせて確認してください。

あなたは特定の人物の声を大規模にクローンしています。 VoxCPM2の話者類似度はこのページで最高の数値であり、その独立した参照チャンネルによって、一致する文字起こしがなくてもクリップからクローンできます。Drama 3の利点は参照への忠実さではなく、演出方向にあります。

唯一やってはいけないのは、両者を順位付けすることだ。共通のアリーナも、共通の人間選好調査も、共通のエラーハーネスも存在しない——あるのは、Eloを持つ一方のモデルと、データシートを持つもう一方のモデル、そして所有するハードウェアとライセンスで何ができるかによって決まる判断だけだ。