GPT-Live-1 vs Fish Audio Drama 3：片方はダウンロード可能、もう片方はレンタルのみ

Fish Audio Drama 3 Previewは、ダウンロード可能な41.5ギガバイトのウェイトとして提供され、自分のGPUに指定して検査し、ファインチューニングし、ベンダーが関心を失った後も稼働させ続けられます。GPT-Live-1はURLとして提供されます。ダウンロードできるウェイトも、ローカル推論経路もなく、OpenAIのv1/live/sessionsエンドポイントに対して1分あたり0.05ドルでセッションを開かない限り、まったく聴く方法はありません。

それは調達の細部のように聞こえますが、実のところ、それが決定的な判断です。これらのモデルの一方はライセンスが付いた資産であり、もう一方は課金メーターが付いたサービスです。そして、あなたの製品が価格表の寿命を超えて存続するとき、この二つはまったく異なる振る舞いをします。

Drama 3 とは実際何なのか

Fish Audioは2026年10月中旬にDrama 3 Previewをリリースしました。これは350億パラメータのMixture-of-Experts型テキスト読み上げモデルで、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をバックボーンに構築されています。83言語に対応し、1回のリクエスト内で最大16名の異なる話者を保持でき、短いリファレンスから音声をクローンし、平易な言葉による指示も受け付けます。たとえば、あるセリフは諦めたように聞こえるべきだと伝えたり、音を加えたり、どの単語を変えるかを指定したりすると、平坦に読み上げるのではなく、そのとおりに演じます。

多話者対応の上限は、商業面で重要な機能です。二人だけのオーディオドラマ、ホストとゲストによるポッドキャスト、ナレーターと顧客が登場する研修動画——これらはどれもAPIコール1回で済み、ルームトーンが揃わない16個のファイルをつなぎ合わせる必要はありません。

Artificial AnalysisのProvider Voice Arenaでは、{{1}}2026年10月29日{{/1}}時点で、{{2}}Drama 3 Preview{{/2}}が{{3}}1240 Elo{{/3}}で総合11位、{{4}}オープンウェイト{{/4}}のエントリーの中で1位となり、{{6}}1228{{/6}}の{{5}}Breeze TTS 2{{/5}}を上回っています。{{7}}Fish{{/7}}は{{8}}発音ロバスト性93.2%{{/8}}を報告しており、これはローンチ時に主張された最高値で、{{10}}ElevenLabs{{/10}}が{{11}}Eleven v4{{/11}}について報告する{{9}}91.7%{{/9}}を上回ります。

GPT-Live-1とは実際に何なのか

OpenAIのモデルは正反対の種類のオブジェクトです。2026年9月10日以来、音声1分あたり0.05ドルで呼び出し可能で、秒単位で課金され、音声とテキストの入出力に対応し、ストリーミングと関数呼び出しをサポートし、構造化出力は明示的に対応していません。これは全二重方式です。話しながらあなたの声を聞き、重い推論はバックグラウンドでテキストモデルに任せます。

音声クローニング製品も、マルチスピーカーモードも、スクリプトを受け取って決まった音声ファイルを返すという文書化された方法もありません。あるのは会話です。電話エージェントにとっては、それこそがまさに正しい。四人のキャラクターが登場する場面にとっては、それは劣ったツールではなく、ツールのカテゴリーが違うのです。

双方が印刷する番号

これは仕様表を見比べる誰もを混乱させるので、特筆に値する点です。Fish AudioのDrama 3とAnt GroupのMing-3.0-TTSは、同じArtificial Analysisの測定において、いずれも発音の堅牢性が93.2%だと報告しています。異なる2つの研究所、異なる2つのアーキテクチャでありながら、小数点以下1桁まで同じ値です。

それはコピー＆ペーストのミスでも、引き分けでもない。それは天井がどのようなものかを示している——残り6.8%は英語テキストの厄介な裾野だ。英数字の連続、珍しい固有名詞、文脈に応じて読まれる数字。トップクラスのオープンウェイトモデル間で発音面の決定的な優劣があると主張する人は、ノイズを読んでいる。有用な問いは、あなたのコンテンツに実際にどの失敗ケースが含まれているかであり、そのためにはリーダーボードを読むのではなく、自分のテキストをテストする必要がある。

ライセンスは誰も読まない部分です。

Drama 3はオープンウェイトであり、寛容型ライセンスの意味でのオープンソースではありません。Fish Audio Community License v1.0の下で提供されています。研究および非商用利用は無料、年間収益が50万ドル未満の商用利用も無料で、それを超える場合は別途契約が必要です。第三者によるAPIホスティングには独自のライセンスが必要で、帰属表示も求められます。

それは妥当なライセンスであり、現実の制約です。そこから三つの帰結が導かれます：

• 収益ライン以下では、セルフホスティングは本当に無料です — 電気代とGPU時間だけを支払い、それ以外には何もかかりません。

その上では、あなたは再び交渉の場に戻っており、「われわれが重みを所有している」という優位性は「話し合っている間もまだそれらを動かせる」という程度に狭まる。

• 自社の顧客へのアクセスを再販売する場合、売上がいくらであっても、ほぼ確実に別途の契約が必要です。

GPT-Live-1のライセンスは、レンタル契約がよりシンプルであるのと同じ意味でシンプルです。分単位で支払い、使って、やめる。売上高のしきい値も、帰属表示条項も、顧客数を開示する義務もありません。そのシンプルさには価値があり、規模が小さいほどその価値は大きくなります。

ハードウェアに実際いくらかかるのか

Drama 3 をセルフホストするには、FP8 で約 48GB の NVIDIA メモリが必要で、そのうち約 41.5GB は重みです。H100 またはレンタルした A100 クラスのインスタンスならそれを載せられますが、コンシューマー向けカードでは余裕をもっては載りません。以下に 2 つの捉え方を示します。

GPUをすでに所有している場合、合成の限界費用はほぼゼロであり、ホスティングサービスの価格はばかげて見えます。Fishは100万文字あたり50ドルを掲載し、2026年11月12日まで100万文字あたり10ドルのローンチプロモーションを実施しており、Artificial Analysisは掲載価格を15ドルと記録しています。約9,000文字の10分間のシーンは、実際にその3つの数字のどれで課金されるかによって、9セントから45セントの間になります。

GPUを所有していないなら、どのみちレンタルしていることになり、比較はGPU時間対100万文字になります。典型的な1 GPU時間あたり2ドルの場合、リアルタイムの10倍の速さで合成するモデルは、1時間のレンタルで約10時間分の音声を生成します——通常の話す速さでおよそ54万文字です。これは100万文字あたり約3.70ドルに相当し、ボード上のどのホスト型価格よりもはるかに安いですが、それは持続的な利用率の場合に限ります。デューティサイクルが約30%を下回ると、レンタルには何の利点もなく、スループットに関する前提はまさにそれです。つまり、Fishが公表している数値ではなく、自分のインスタンスで測定しなければならない前提です。

それに対して、GPT-Live-1 のコストは線形で退屈なほどです。1分あたり $0.05、毎分そう、固定費なし、稼働率リスクなし。10分の会話なら $0.50。Drama 3 のナレーション10分は、記録されたボード価格でおよそ $0.135。仕事が違い、メーターも違い、そのうちの一つには償却できる固定費があります。

レンタルが依然として勝る場面

コンプライアンスは、{{1}}ホステッドモデル{{/1}}を選ぶ際の静かな論拠です。{{2}}Drama 3の重み{{/2}}はコピーされ、競合製品向けにファインチューニングされ、あるいは法務チームが意見を持つ管轄区域で稼働したままにされる可能性があります。GPT-Live-1は、エンドポイント、請求書、そしてモデル側のリスクを負うベンダーを提供します。規制対象の企業にとって、それは怠慢ではなく、保険料です。

レイテンシー方針は2つ目です。全二重のターンテイキングは振る舞いであり、チェックポイントではありません。0.8秒のターンと87%のツール呼び出し精度は、OpenAIがこのモデルについて報告している数値であり、どちらも独立した測定ではなくベンダーによる数値です。Drama 3でその振る舞いをダウンロードして手に入れることはできません。Drama 3はあなたの声を聞こうとしていないからです。

そして障害対応が3つ目です。ダウンロード可能なモデルは、あなたのGPUが故障すると失敗します。ホスト型モデルは、他の誰かのGPUが故障すると失敗します——これは別の種類のリスクであり、明らかに悪いとは限らず、ヘッジできるリスクです。

生垣をどこに設置するか

ヘッジは音声レイヤーの内側ではなく、その後ろに置くべきものです。これらのモデルはいずれもOrcaRouterでは提供されていません。Drama 3の重みは当社のカタログになく、GPT-Live-1にはエンドポイントが1つしかなく、互換性のあるサーフェスもありません。ルーティング可能なのは、会話型エージェントが依存する推論レッグです — GPT-6 Astra、GPT-5.6 Terra、Claude、Gemini、Qwen — これらは単一のキーを通じて、自動フェイルオーバー付きで利用でき、プロバイダーの定価を0%のマークアップでそのまま適用します。

冗長化のための予算はそこに使うのが正しい。音声出力の障害は派手で明らかだが、その背後にあるテキストモデルの障害は、通話品質を一週間静かに台無しにする障害だ。耳は選んだモデルに固定しておく。頭脳は交換可能にしておく。

決定は、それぞれ1段落で

会話ではなく音声を制作するなら、Drama 3 を選んでください。シーン、ポッドキャスト、吹き替え、複数キャラクターのトレーニングコンテンツなどが対象で、収益しきい値を下回っている場合、またはそれを上回る条件で交渉する用意がある場合に適しています。35B MoE、16話者という上限、1240 Elo は本当に強力なパッケージであり、ウェイトがあるということは誰にもそれを奪われないということを意味します。

製品がライブ会話であり、その価値が割り込み処理にあるなら、GPT-Live-1を選んでください。提供される1分あたりのコストはより高く、所有できるものは何も得られず、Drama 3が構造上できないただ一つのこと、つまり話しながら聞くことを実現します。

この2つは仕様書の上では隣り合っているが、実際の用途ではまったく別物だ。一方を買って他方の役割を期待する人は、そのモデルを悪いと結論づけるだろう。ただ、そのモデルはそもそもその仕事を求められたことがないだけなのに。