Fish Audio Live 3 vs Drama 3：台本を読むモデルと、場の空気を聴くモデル

Fish Audio Live 3とFish Audio Drama 3は、同じ問いに対する2つの答えではなく、両者をライバルとして扱うことは、間違った製品を買う最短の道です。Fish Audioが2026-10-13に公開したDrama 3はテキスト読み上げモデルです。言葉と演技指示を渡すと、音声を返します。2026-11-10に発表されたLive 3は、エージェント通話向けの双方向音声モデルです。話しながら聞き取り、間が「続けて」を意味するのか「話し終えた」を意味するのかを判断し、Fish Audioによればわずか186ミリ秒で反応できます。一方は音声をレンダリングするもので、もう一方は対話相手です。

混乱は無理もない。どちらもFish Audioのモデルで、どちらも最近のもので、どちらも他のFish Audioモデルが得意ではなかったことを得意とするとして販売されているからだ。しかし両者は音声スタックの異なる層に位置し、別々に文書化されており、Fish Audioが公開している料金表に載っているのは片方だけだ。したがって有益な比較は、どちらが優れているかではなく、それぞれが実際に何の仕事向けなのか、そして1つの製品内のどこで交わるのかである。

各モデルが何をするものとして文書化されているか

Drama 3はテキスト読み上げモデルであり、その公開されている根拠は、ターンテイキングではなく選好と発音にある。Artificial AnalysisのProvider Voice Arenaでは、Elo 1,278で6位。すべてのモデルが同じ参照音声に対して評価されるControlled Voice Arenaでは、1,085で12位。両ボードで、表内のオープンウェイトモデルの中で最高位であり、10月に報道された以前のDrama 3 Previewの記録も、1,240と1,063で別途掲載されている。English Pronunciation Robustnessベンチマークでは総合93.2%を記録し、Ming-3.0-ttsと並んで採点対象31モデル中首位タイ。見出しの数字よりもカテゴリ別の内訳が重要で、ブランド名や技術名などの単独語句では95.9%、数値や日付などの略記の展開では93.6%、コードやパスなどの正確な系列の保持では86.3%、文脈に適した発音では95.3%となっている。

Live 3の公的な証拠はまったく異なる形をしている。Fish Audioの発表はレンダリングではなく会話を中心に構成されており、挙げられている3つの実例はすべてタイミングに関するものだ。

• 電話番号を区切って読み上げる場合 — 「415… 555… 0132」 — Live 3 はチャンクの間に「うんうん」や「オーケー、415」と言ってから、残りを待つことがあります。

• エージェントが営業時間を読み上げている最中に、発信者が「うん」や「うんうん」と相づちを打つ場面で、Live 3 がその相づちを割り込みとして扱わず、そのまま続ける。

• 発話の途中で注文を修正する発信者 —「ピザを2枚…いや、3枚。ラージを3枚。それと…実際、1枚はマルゲリータにして」— こうした場面で、Live 3 は最初の一見完全な注文に基づいて行動するのではなく、各修正が終わるまで待機します。

Fish Audioは、このモデルが最短186ミリ秒で応答するかどうかを判断できると述べており、完全な回答ではなく「mm-hmm」「okay」といった短い反応や素早い確認を表現すると説明している。起動時点では英語のみに対応し、Fish Agent Platform、Fish AudioのAPI、および企業向けのオンプレミスで利用可能だ。一方で、公開されたベンチマークも、独立したスコアも（2026-11-11時点でArtificial AnalysisにLive 3 duplexの行はない）、Fish Audioの料金表への記載もない。

価格の単位が、それらが異なる製品であることを示している理由

Fish AudioはDrama 3を、入力テキストのUTF-8バイト数で課金します。定価は100万バイトあたり50.00ドルで、2026-11-30まで100万バイトあたり10.00ドルのローンチ記念プロモーションを実施中です。同社のドキュメントでは、100万UTF-8バイトは約180,000英語語、つまり約12時間分の音声に相当するとされており、これに基づくとdrama-3は定価で生成音声1時間あたり約4.17ドル、プロモーション期間中は1時間あたり約0.83ドルになります。この単位が存在するのは、TTSでは入力されるテキスト量と出力される音声量を把握できるからです。

Live 3 はそのユニットにはまったく当てはまらず、料金表にも記載がありません。双方向エージェント通話には固定のスクリプトがありません。入力音声は発信者が話す内容そのものであり、出力音声はモデルが話すことを選んだ分だけになり、重要なコストはテキストのバイト数ではなく接続時間（分）です。Fish Audio はどの課金指標を使うかを公表していないため、どのコスト比較でも Live 3 の欄は「安い」ではなく空欄なのです。

両モデルに共通するのはプラットフォームです。Fish Audio の Agent Platform は現在パブリックベータで、Live 3 エージェントをホストし、/v1/agent/* 配下に JavaScript および React SDK、ウェブウィジェット・電話番号・カスタムクライアント向けのチャネル、セッショントークン認証を備えた REST インターフェースを公開しています。このプラットフォーム上のカスタム LLM フックは OpenAI 互換エンドポイントを指しており、ここが独自に選んだ推論レイヤーを組み込む接点になります。

それらがひとつの製品で出会う場所

興味深い問いは、どちらのモデルが勝つかではなく、両方をそれぞれ得意なことに使ったとき、一つの製品がどんな形になるかだ。予約受付回線では、ライブ通話に Live 3 が必要だ。間や訂正が起きるのは通話の中だからだ。同じ製品には通常、会話以外のすべてのために Drama 3、あるいはそれに類するモデルも必要だ。通話後の確認読み上げ、ボイスメールの挨拶、発信リマインダー、発信者をそこへ送り込んだマーケティングページの長文ナレーションなどがそれにあたる。これらは台本が決まっているレンダリングジョブであり、Drama 3 が公表している強み——聴取者からの好まれやすさ、93.2% の発音、83 言語、Fish Audio Community License v1.0 のもとで公開され、売上上限 50 万ドルを伴うオープンウェイト——は、まさにレンダリングジョブに必要な強みだ。

その分離には、はっきり述べておく価値のあるコスト上の帰結がある。ルーティングレイヤーが抽象化でなくなるのは、まさにそこだからだ。Live 3エージェントの背後の推論レイヤーは、OpenAIプロトコルを話す任意の場所を指すことができる。OrcaRouterはそのエンドポイントの背後にあり、単一のキーから216モデルを、プロバイダーの定価でマークアップなしで提供し、プロバイダーでエラーが発生した際の自動フェイルオーバーも行うため、エージェント内のプランナーは音声レイヤーや電話番号に触れることなく差し替えられる。ルーティングDSLがどのモデルがどの種類の通話を処理するかを決め、モデル融合では、安価なモデルがツール呼び出しの下書きを作り、より強力なモデルがそれが実行される前に確認できる。OrcaRouterはFish Audio Live 3もDrama 3もホストしていない。どちらもサードパーティのエンドポイント経由では利用できず、このスタックの音声レイヤーはFish Audioのままである。OrcaRouterがホストするのは、音声の周辺にあるすべてだ。

実際に必要なのはどれ？

Drama 3 が必要です出力がファイルの場合。ナレーション、オーディオブック、広告、キャラクターボイス、吹き替え、アクセシビリティ向け読み上げ — 人間が言葉を書き、リスナーが一度、洗練された形で耳にするものすべてです。選好スコア、発音の内訳、言語数、そして予測に使える公開済みのバイト単価を備えています。オープンウェイトでもあり、自分で実行する必要がある場合に重要です。

出力が中断に耐える必要がある会話であるなら、Live 3 が必要です。電話対応エージェント、予約受付、注文受付、サポートのトリアージなど、発信者が話しかけてきて、失敗モードが話をかぶせられることや数字の列を繰り返さなければならないことにあるあらゆる場面です。これには動作引数、ベンダーのレイテンシ下限、プラットフォームがあり、まだベンチマークや価格はありません。

おそらく両方が必要になるでしょう。デモではなく音声プロダクトを作っているなら、その分岐はライブとレンダリングの境界線に沿っています。避けるべき間違いは、一方にもう一方の役割をさせることです。TTSモデルはいつ話をやめるべきかを判断できませんし、双方向エージェントモデルはボイスメールの挨拶を作るには高コストで評価もされていない方法です。Fish Audioは両方を販売しており、価格の単位は意図的に異なっています。そして、それらを1つの製品として扱うロードマップは、最初の月から自社コストの予測を誤ることになります。