AssemblyAI-TTS-1 대 Fish Audio Drama 3: 41.5 GB 다운로드에 맞서는 체크아웃 버튼

가장 먼저 이해해야 할 점은AssemblyAI-TTS-1과 Fish Audio Drama 3을 비교할 때, 둘 중 하나는 파일이라는 것입니다. Drama 3는 2026년 10월 13일에 공개된, Hugging Face에 fishaudio/drama-3로 게시된 350억 매개변수 mixture-of-experts 음성 모델로, 코덱을 추가하기 전 가중치가 약 41.5GB이고 FP8로 서비스하려면 약 48GB의 VRAM이 필요합니다. AssemblyAI-TTS-1은 2026년 10월 27일부터 100만 자당 $15로 일반 제공되는 US-East 또는 EU-North의 HTTPS 엔드포인트로, 0.1초 미만에 응답하며 텍스트 외에는 아무것도 요구하지 않습니다. Elo 점수로 시작하는 두 제품 간의 모든 비교는 잘못된 지점에서 시작합니다. 두 제품은 품질로 구분되기 전에 운영상의 결정으로 구분되기 때문입니다.

$15로 무엇을 살 수 있는지, 그리고 41.5기가바이트로 무엇을 살 수 있는지

AssemblyAI-TTS-1 쪽은 설명이 짧습니다. 입력 문자 100만 개당 15달러의 단일 요금으로 4,000개가 넘는 라이브러리 음성을 모두 포함하고, 24초 샘플로 즉시 복제, 단어 타임스탬프, 6개 출시 언어(영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어), 미국 또는 EU 처리, WebSocket 및 HTTP 엔드포인트와 OpenAI 호환 경로, 끼어들기를 위한 취소 메시지, 그리고 이에 대해 추가 비용이 붙지 않는 무제한 동시성을 제공합니다. SSML 없음, 속도 매개변수 없음, 발음 사전 없음, 감정 태그 없음, 전문가용 복제 등급 없음.

Drama 3 쪽은 제품의 형태 자체가 전혀 다릅니다. 토큰당 약 30억 개 파라미터가 활성화되는 35B MoE로, Qwen3.5-35B-A3B에서 초기화되었으며, 40개 레이어, 256개의 라우팅된 전문가 중 8개에 공유 전문가 1개를 더한 구조입니다. 그래서 표현력이 풍부하면서도 단일 가속기에 탑재될 수 있습니다. 83개 언어를 지원하고, 음성을 복제하며, 한 번에 최대 16명의 화자를 처리하고, [한숨] 같은 대괄호 표기 자연어 무대 지시를 받아들이면 모델이 그에 맞춰 연기합니다. 또한 Fish 자체의 모델 카드에 따르면, 이 모델은 연출된 연기, 즉 더빙, 내레이션, 다중 캐릭터 장면을 위해 설계되었습니다. 100ms 미만의 전화 루프는 이 모델이 튜닝된 대상이 아닙니다.

그 구분은 어느 쪽을 깎아내리려는 말이 아니다. 그것이 바로 이 맞대결이 존재하는 이유다: Drama 3는 이 시리즈에서 완전히 소유할 수 있는 유일한 모델이고, AssemblyAI-TTS-1은 이 시리즈에서 GPU를 구매하지 않고도 오늘 오후 바로 전화를 건 사람 앞에 내놓을 수 있는 유일한 모델이다.

동시성 수학이 진짜 논거다.

두 공급업체 모두 지연 시간 수치를 공개하지만 두 수치는 직접 비교할 수 없으므로, 다음을 맞대결이 아닌 두 개의 별도 주장으로 취급하십시오.

• Drama 3, 벤더 모델 카드 — H200 한 대에서 단일 스트림 기준 첫 오디오까지 중앙값 88.9 ms, 실시간 계수 0.131, 초당 271 프레임. 서빙 지원은 출시 후 수일 내에 제공되었으며, 동일 하드웨어에서 128개 동시 스트림 기준 첫 오디오까지 중앙값 255 ms, 즉 실제 경과 1초당 약 222초 분량의 오디오를 처리합니다.

• AssemblyAI-TTS-1, 벤더 랩 — 첫 바이트까지 중앙값 47 ms; Cekura가 독립적으로 측정한 결과 스트리밍 시작 중앙값은 159 ms, p90은 296 ms이며, Artificial Analysis 측정 기준 처리량은 초당 162자입니다.

부하가 증가할 때 Drama 3 수치가 어떻게 변하는지 보세요. 단독으로는 88.9 ms, 128개 스트림에서는 255 ms입니다. 이는 더빙 파이프라인에는 아주 좋은 곡선이고, 콜센터에는 한계선에 걸린 곡선입니다. 콜센터에서는 발신자가 무언가를 듣기 전의 매 밀리초가 침묵의 밀리초이기 때문입니다. AssemblyAI의 반론은 더 빠른 수치가 아니라 곡선의 부재입니다. 즉, 하나의 고정 단가로 무제한 동시성을 제공한다는 것인데, 스케줄링 문제는 공급업체의 문제이고 사용자는 결코 그것을 보지 못하기 때문입니다. 그 약속이 자체 트래픽에서도 살아남는지는 바로 시험해야 할 사항입니다. 공개된 대기열 동작 없이 무제한 동시성을 주장하는 것은 다른 누군가의 클러스터에 대한 주장이기 때문입니다.

같은 단위가 아닌 두 청구서

Fish는 Drama 3의 가격을 100만 UTF-8 바이트당 $50.00로 책정하는데, 공급업체 자체 문서에 따르면 이는 대략 12시간 분량의 음성, 즉 오디오 1시간당 약 $4.17에 해당한다. 출시 프로모션은 100만 바이트당 $10.00, 즉 1시간당 약 $0.83으로 2026년 11월 12일까지 진행된다. AssemblyAI-TTS-1은 100만 문자당 $15로, 일반 대화 오디오에서 분당 약 900자라는 동일한 관대한 가정을 적용하면 음성 1시간당 대략 $0.81에 해당한다.

그래서 프로모션 기간에는 두 제품의 가격이 반올림 오차 수준으로 거의 같고, 정가 기준으로는 Fish가 출력 1시간당 약 5배 더 비쌉니다. 그리고 이는 H200을 구매하는 비용을 빼고도 그러합니다. 자체 호스팅은 비용을 없애지 않습니다. 문자당 청구서를 GPU 시간당 청구서로 바꾸고, 여기에 이를 서빙할 줄 아는 인력 한 명을 더할 뿐입니다.

두 가지 함정은 언급할 만하다. 그 함정에 빠지기는 너무 쉽기 때문이다.

• 문자는 바이트가 아닙니다. Fish는 UTF-8 바이트 기준으로, AssemblyAI는 문자 기준으로 과금합니다. 영어 텍스트는 문자당 거의 1바이트에 가까워 두 방식이 비슷해 보이지만, 일본어, 아랍어 또는 이모지가 많은 문자 체계는 바이트 수를 부풀려 같은 대본에서 Drama 3 청구 금액을 30–100% 조용히 높입니다.

• 모델 헤더가 없어도 크게 실패하지는 않습니다. Fish의 자체 문서에 따르면, 모델 식별자가 없거나 철자가 틀린 경우 응답에 오류가 나타나지 않은 채 다른 모델인 s2.1-pro로 넘어가며 백만 바이트당 $15.00이 청구됩니다. 이는 프로모션 Drama 3 요금보다 50% 할증된 금액입니다.

유통 중인 세 번째 숫자가 있는데, 리더보드에서 마주치게 될 테니 이름을 붙여 둘 만합니다. Artificial Analysis의 가격 열에는 Drama 3가 백만 자당 $15.0로 기록되어 있는데, 이는 Fish의 백만 바이트당 $50이나 프로모션 가격 $10과 맞지 않습니다. 세 가지 수치 — 정가, 프로모션, 보드 정규화 — 가운데 벤더에서 나온 것은 처음 두 가지뿐입니다. 보드의 숫자는 견적가가 아니라 비교 단위입니다.

게시물 하단에 있는 라이선스 게이트

Drama 3는 대부분의 팀이 생각하는 의미의 오픈 소스가 아닙니다. 이 모델은 Fish Audio Community License v1.0에 따라 배포됩니다. 연간 매출이 미화 500,000달러 미만이면 상업적 사용이 무료이고, 이를 초과하면 별도 라이선스가 적용되며, 모델을 호스팅형 TTS API로 재판매하려면 규모와 관계없이 별도 계약이 필요합니다. Artificial Analysis는 이 모델을 완전한 상업적 사용 권리가 없는 오픈 웨이트로 기록하며, 이는 정확한 설명입니다.

AssemblyAI-TTS-1에는 그런 제약이 없습니다. 가중치가 없기 때문입니다. 직접 호스팅하거나 미세 조정할 수 없고, 공급업체가 가격을 바꾸면 계속 운영할 수도 없습니다. 그것이 어떤 비교표에도 담기지 않는 맞바꿈입니다: Drama 3의 라이선스는 모델로 무엇을 할 수 있는지를 제한하고, AssemblyAI-TTS-1의 아키텍처는 공급업체 없이 무엇을 할 수 있는지를 제한합니다.

품질 격차, 한 번만 말하자면

2026년 10월 30일 기준으로 읽은 Artificial Analysis의 Provider Voice Arena에서, 두 모델 모두 동일한 실행 결과를 바탕으로 Drama 3는 1,278 Elo로 6위, AssemblyAI-TTS-1은 1,227 Elo로 14위입니다. Controlled Voice Arena에서는 Drama 3가 1,085로 12위, AssemblyAI-TTS-1이 1,110으로 10위로, 이는 순위를 뒤집으며 두 보드가 서로 다른 것을 측정하고 있음을 보여줍니다. 첫 번째는 기본 제공 음성, 두 번째는 고정 참조에 대한 클로닝 충실도입니다. Drama 3는 자연 음성 부문에서 두 모델 중 더 강한 순위를 기록하며, 참조 녹음이 고정되면 두 모델은 서로 노이즈 범위 내에 있습니다.

이들을 가장 뚜렷하게 구분하는 지표는 발음 견고성으로, 여기서 Drama 3가 단연 선두입니다 — 출처에 따르면 페이지를 읽은 시점에 따라 수치가 대략 93%에서 95% 사이로 달라지므로, 순위를 사실로, 소수점은 장식으로 받아들이세요. AssemblyAI-TTS-1은 동일한 평가 도구에서 81.7%로 16위이며, 가장 약한 하위 점수는 약어 확장 부문의 73.8%입니다. 입력이 약어로 가득 차 있다면 Drama 3는 사전 없이도 이를 처리합니다. 입력이 소리 내어 읽는 전화번호라면, Cekura의 독립 테스트에서 AssemblyAI-TTS-1이 바로 그 범주에서 91.7%로 해당 분야 1위입니다.

어느 한쪽 벤더의 자체 벤치마크도 독립적인 것으로 받아들여서는 안 된다. AssemblyAI의 99.0% 단어 정확도, 3.85 예측 MOS, 85.5 TTSDS 점수는 자사가 보유한 홀드아웃 세트에서 자체 평가 도구로 산출한 값이고, Fish의 88.9ms와 초당 271프레임은 자사 모델 카드에서 나온 수치다. 제3자 측정치 — Artificial Analysis, Cekura, Coval — 은 이 기사에서 판매할 제품이 없는 주체가 산출한 유일한 결과다.

더 높은 순위에 있는 것이 아니라, 당신이 운영할 수 있는 것을 기준으로 선택하세요.

Drama 3가 정답인 상황은 정확히 세 가지입니다. 무대 지시문과 여러 화자를 한 번에 처리하면서 표현력 있고 연출된 퍼포먼스가 필요할 때 — 논란의 여지 없이 AssemblyAI-TTS-1에는 이에 대응하는 기능이 없습니다. AssemblyAI가 출시한 6개 언어 이외의 언어가 필요할 때 — 83 대 6, 그리고 비교는 여기서 끝납니다. 또는 미국이나 EU 공급업체 리전으로는 충족되지 않는 데이터 상주 요구 사항 때문에 자체 하드웨어에서 모델을 돌려야 할 때 — 이는 일부 규제 워크로드에서는 실제 요구 사항이며, GPU를 정당화하는 유일한 이유입니다.

다른 사람들은 모두 전화 에이전트를 사고 있고, 전화 에이전트는 정액 요금 청구서와, 다른 사람의 H200 뒤에 줄을 서지 않는 것, 그리고 스스로 고칠 수 있는 발음 문제를 원합니다. AssemblyAI-TTS-1은 처음 두 가지를 제공하지만 세 번째는 아직 제공하지 않습니다. 이것이 솔직한 현실입니다: Drama 3는 더 나은 모델이자 이 작업에는 더 나쁜 제품입니다.

대부분의 팀이 도달하게 될 실용적인 타협점은 둘 다입니다 — 콘텐츠로 배포하는 생성 오디오에는 Drama 3를, 실시간 루프의 턴별 음성에는 AssemblyAI-TTS-1을 사용하고, 그 사이에 하나의 폴백 경로를 두는 것입니다. 두 번째 TTS 벤더를 연결해 두는 것은 OrcaRouter가 그 스택의 언어 모델 쪽 절반에 적용하는 것과 동일한 원칙입니다: 200개 이상의 모델을 공급자 정가에 0% 마크업으로 이용할 수 있는 단일 API, 공급자 성능이 저하될 때의 자동 장애 조치, 그리고 하나의 엔드포인트가 여러 모델을 서비스할 수 있게 하는 라우팅 DSL을 여러 개의 계약 대신에 제공하는 것입니다. 이 두 음성 모델은 오늘날 OrcaRouter 카탈로그에 없습니다 — 저희가 제공하는 음성 라우트는 OpenAI의 tts-1 제품군과 Google의 Gemini TTS 프리뷰입니다 — 그러므로 이 글은 여기서 Drama 3를 구매할 수 있다는 제안이 아니라 논지의 형태로 읽어 주시기 바랍니다.

이 평가를 바꿀 것은 무엇인가: Fish가 콜센터 규모에서 150ms 미만을 유지하는 동시성 곡선을 공개하는 것, 또는 AssemblyAI가 발음 사전과 네 가지 언어를 추가하는 것. 두 번째를 먼저 주시하라. 그것은 설정 변경이며, 고정 $15 요율표를 내놓은 그 회사는 이미 청구서에서 경쟁하는 쪽을 선호해 왔다.