Fish Audio Drama 3, 이제 두 스피치 아레나를 동시에 보유 — 그리고 그 어느 수치도 지난주에 본 수치가 아니다

리더보드에는 한 제품에 대한 두 개의 기록이 있습니다. Fish Audio Drama 3은 Artificial Analysis Provider Voice Arena에서 Elo 1,278로 6위, Controlled Voice Arena에서 1,085로 12위에 올라 있으며, 두 보드 모두에서 표에 있는 오픈 웨이트 모델 중 가장 높은 순위입니다. Fish Audio Drama 3 Preview라는 라벨이 붙은 기록 — Fish Audio가 2026-10-13에 공개했을 때 언론의 주목을 받은 기록 — 은 여전히 별도로 1,240과 1,063에 나열되어 있습니다. 한 보드에서는 38포인트, 다른 보드에서는 22포인트 차이인데, 벤더 자체 제품 페이지는 이를 두 이름 아래의 단일 모델이라고 부릅니다. 최근 2주 동안 Drama 3 Elo를 인용했다면, 이 글은 당신이 둘 중 어느 것을 인용했는지 알려주는 글입니다.

오늘 게시판들이 실제로 말하는 것

두 수치는 모두 2026-10-29에 Artificial Analysis에서 확인한 것이며, 둘 다 리더보드에 기록된 동일한 백만 자당 $15.00을 기준으로 하므로 38점 격차는 가격 변화가 아니라 동일 모델의 보관된 두 상태에 대한 두 가지 평가입니다. Drama 3 위의 제공자 음성 순위는 모두 폐쇄형 시스템입니다: Eleven v4 Turbo는 1,336 및 $40.00, Eleven v4는 1,334 및 $80.00, Qwen-Audio-3.1-TTS-Plus는 1,305 및 $19.30, Cartesia Sonic 3.6은 1,296 및 $49.00, Google Gemini 3.8 Flash TTS는 1,283 및 $16.50입니다. 이들 모두는 바로 아래에 순위가 매겨진 Fish Audio 항목보다 백만 자당 비용이 더 높습니다.

통제 음성 보드에서 두 Drama 3 기록의 순위가 가장 뚜렷하게 갈리며, 오픈 웨이트 주장을 확인하기도 가장 쉽습니다. 그 보드에서는 모든 모델이 각 벤더의 자체 카탈로그가 아닌 동일한 고정 참조 음성으로 채점되기 때문입니다. 오늘 기준 오픈 웨이트 항목의 전체 분포:

• 제공자 음성 — Fish Audio Drama 3 1,278 (#6); Fish Audio Drama 3 Preview 1,240 (#12); Breeze TTS 2 1,228 (#13); Voxtral 3 TTS 1,223 (#15).

• 제어된 음성 — Fish Audio Drama 3 1,085 (#12); Ming-3.0-tts 1,068 (#17); Fish Audio Drama 3 Preview 1,063 (#20); Breeze TTS 2 1,021 (#28).

• 중요한 격차 — 통제된 음성 기준으로 Drama 3은 여전히 Eleven v4(1,156, #4), Inworld Realtime TTS-2(1,146, #7)보다 뒤처지고, Google Gemini 3.8 Flash TTS(1,053, #24)는 그 아래에 있다. 하지만 그 순위표 최상위권의 폐쇄형 시스템들은 4점 차이가 아니라 70점 차이다. HeyGen Voice가 1,193으로 선두를 달린다.

두 가지가 뒤따릅니다. 첫째, “오픈 가중치 중 1위”는 오늘 두 아레나 모두에서 참이며 어느 쪽에서도 동률이 아닙니다. 둘째, 통제된 보드에서의 격차 — 매개변수 수의 5분의 1에서 Ming-3.0-tts보다 17 Elo 앞선 것 — 는 수천 개의 투표로 순위가 뒤바뀔 수 있는 범위 안에 있으므로, 이를 확정된 선두로 보기보다는 우위로 보십시오.

발음 점수는 단독 1위가 아니라 공동 1위입니다.

Fish Audio의 발표는 Artificial Analysis의 영어 발음 견고성 벤치마크에서 93.2%를 기록했다고 밝히며, 이는 이전 S2.1 Pro의 88.1%와 대비된다고 설명하고, 이를 리더보드 최고 점수라고 표현합니다. 해당 점수가 2026-10-20에 기록되었을 당시 이는 정확한 수치였지만, 마케팅 문구에서 빠뜨린 단서가 하나 있습니다. Ant Group의 Ming-3.0-tts가 동일한 93.2%에 도달했기 때문에, 리더보드에서는 점수가 매겨진 31개 모델 중 단독 1위가 아니라 공동 1위로 표시됩니다. Eleven v4는 91.7%, Eleven v4 Turbo는 90.1%입니다.

종합 수치는 실제 트레이드오프를 숨깁니다. Drama 3의 강점은 고유명사와 문맥 의존 단어입니다. 브랜드, 장소, 기술 명칭 같은 단독 용어에서 95.9%, 문장에 따라 읽는 방식이 달라지는 단어에서 95.3%를 기록합니다. 약점은 문자 하나하나 그대로 재현해야 하는 모든 항목입니다. 코드, 경로, 이메일 주소에서 86.3%이며, 이 부분에서 Ming은 90.6%에 도달합니다. Drama 3이 완전히 뒤지는 한 가지 범주는 축약형 확장, 즉 숫자·날짜·단위로, Eleven v4의 94.1%에 비해 93.6%입니다. 파이프라인이 주문 번호, 부품 코드, 추적 문자열을 소리 내어 읽는다면, 계획에 기준으로 삼아야 할 수치는 헤드라인의 93.2%가 아니라 86.3%입니다.

2026-10-13에 출시된 것, 그리고 16일이 바꾸는 것

이 중 어느 것도 출시가 아니며, 출시로 보도되어서는 안 된다. Fish Audio는 2026-10-13에 이 모델을 자사의 웹 앱, iOS 및 Android 앱, 그리고 API에 투입했으며, API 모델 ID는 "drama-3"이다. 지난 2주간 새로운 것은 모델의 존재 자체가 아니라 소매 모델에 대한 독립적인 점수 산정이다. 그 구분이 갖는 실질적 함의는 짚고 넘어갈 가치가 있다. 왜냐하면 이 모델에 관한 이전 보도는 — 이 블로그에서의 보도를 포함해 — Preview 데이터를 기준으로 작성되었기 때문이다.

두 기록 간에 아키텍처는 변하지 않았다. Qwen3.5-35B-A3B에서 초기화된 350억 파라미터 규모의 전문가 혼합 모델로, 토큰당 약 30억 개의 파라미터가 활성화되며 256개의 라우팅된 전문가 중 8개와 공유 전문가 1개가 작동한다. 40개 층은 3개의 Gated DeltaNet 층과 1개의 게이트된 전체 어텐션 층이 반복되는 블록으로 배열되어, 4개 층 중 1개만 KV 캐시를 유지한다. 디코더는 코드북-MTP 설계로, 4개의 공유 층이 9개의 전체 너비 층에 입력을 공급하며 이들 층은 음향 코드북마다 하나씩이고, 코드북 0과 1만 백본으로 다시 피드백된다. 토크나이저는 S2가 사용한 것과 동일한 Descript Audio Codec 설정이다. 44.1 kHz, 10개 코드북, 초당 약 21.5 프레임, 완전 인과적이다. 작은 불일치가 하나 있는데, 두 출처를 비교하는 사람을 혼란스럽게 할 것이므로 언급할 가치가 있다. Fish Audio의 발표에서는 350억 개의 파라미터라고 말하지만, Hugging Face 모델 카드에서는 모델 크기를 36B로 보고한다. 그 차이는 다른 체크포인트라기보다는 반올림 또는 임베딩 개수 집계 방식 때문일 가능성이 크지만, 각 위치에서 찾을 수 있는 숫자는 이 두 가지이다.

단일 H200의 처리량은 벤더 제시 수치 기준 초당 271프레임으로, S2의 177프레임과 대비됩니다. 이는 3B 활성 경로를 갖춘 35B MoE에서 기대할 수 있는 수치입니다. 서빙은 SGLang-Omni를 통해 이루어집니다. 가중치는 Hugging Face에 fishaudio/drama-3로 공개되어 있으며, 여러 safetensors 샤드와 별도 코덱 파일을 합쳐 약 40GB입니다. FP8 추론에는 약 48GB의 VRAM이 필요하며, 문서화된 CPU나 ROCm 경로는 없습니다. 이 마지막 제약이 대부분의 자체 호스팅 관련 질문을 좌우하는 요소이며, 이 비교가 아니라 Breeze TTS 2 비교의 주제입니다.

세 가지 가격, 그리고 그 카드는 당신이 대비해야 할 카드가 아닙니다.

여기서는 출처를 명확히 밝혀야 합니다. 왜냐하면 세 가지 숫자가 유통되고 있고 그중 두 가지는 겉보기와 다르기 때문입니다. Artificial Analysis는 두 Drama 3 항목 모두에 대해 백만 자당 $15.00을 기록합니다. Fish Audio의 자체 발표 페이지에는 백만 자당 $50.00의 정가와 2026-11-12까지 80% 할인된 $10.00의 출시 요금이 명시되어 있습니다. 그리고 Fish Audio의 개발자 문서는 전혀 다른 세 번째 단위로 청구합니다: 백만 UTF-8 바이트당, drama-3은 $50.00, s2.1-pro는 $15.00, 출시 요금은 2026-11-12 09:00 PT까지 $10.00입니다. 영어는 문자당 거의 1바이트에 해당하므로 영어 텍스트에서는 바이트와 문자 수치가 대략 서로 바꿔 쓸 수 있지만, 글리프당 1바이트보다 더 많은 비용이 드는 문자 체계에서는 크게 달라집니다.

리더보드의 $15.00는 그냥 흘겨보기보다 한 번 더 살펴볼 가치가 있습니다. 왜냐하면 이는 Fish Audio의 이전 모델인 s2.1-pro의 정가와 정확히 일치하며, 평가 대상인 모델의 요율은 아니기 때문입니다. 리더보드가 혼합된 수치나 이월된 수치를 기록했거나, Fish Audio가 해당 모델에 공개하지 않은 요율로 모델 가격을 매겼을 수 있습니다. 예산을 잡을 때 기준으로 삼아야 할 숫자는 Fish Audio 자체 가격표에 있는 값입니다: 정가 기준 100만 UTF-8 바이트당 $50.00이며, 공급업체 문서는 이를 약 180,000개의 영어 단어, 즉 대략 12시간 분량의 음성과 동일시합니다 — 완성된 오디오 1시간당 $4.17로 보면 됩니다. 2주 후 만료되는 출시 할인은 요금표가 아닙니다. $10.00에서는 같은 12시간이 약 $0.83입니다.

라이선스: 오픈 웨이트, 오픈 소스 아님, 그리고 많은 것을 좌우하는 한 조항

모델 가중치는 Fish Audio Community License v1.0에 따라 공개됩니다. 연구 및 비상업적 사용은 무료입니다. 귀하와 계열사의 연간 매출이 US$500,000 미만이면 상업적 사용도 무료입니다. 그 이상이거나 Drama 3를 텍스트 음성 변환, 음성 복제 또는 추론 서비스로 제공하려면 Fish Audio의 별도 라이선스가 필요합니다. 이 라이선스는 또한 동의 없이 실존 인물의 목소리를 복제하는 것을 금지하며, Fish Audio의 FAQ는 "고객을 위한 완성된 오디오 제작"을 허용되는 것으로 취급하는데, 이는 대행사와 포스트 프로덕션 업체에 중요한 조항입니다. S2는 더 엄격한 Research License에 따라 유지되므로, 두 세대는 상업적 배포에서 서로 대체할 수 없습니다.

Artificial Analysis는 이 모델을 전체 상업적 사용 권리가 없는 오픈 웨이트 모델로 표시합니다. 이는 정직한 설명입니다. 다운로드해서 실행할 수는 있지만, 그 모델에 대한 접근 권한을 반드시 판매할 수 있는 것은 아닙니다. 이 웨이트를 기반으로 호스팅 제품을 계획하는 사람은 결제 페이지를 만든 뒤가 아니라 만들기 전에 서비스 조항을 읽어야 합니다.

이로써 프로덕션 파이프라인은 어떤 상황에 놓이는가

두 아레나 결과가 각주가 아니라 게시물로 다룰 가치가 있는 이유는 그것이 팀이 가정할 수 있는 것을 바꾸기 때문이다. 16일 전에는 오픈 가중치 모델이 선호도 보드의 상위 10위에 진입했고 자체 평가에서 발음 부문 선두를 주장했다는 것이 방어 가능한 진술이었다. 오늘 독립적인 판정은 더 좁고 더 강하다: 그것은 두 아레나 모두에서 최고의 오픈 가중치 모델이고, 발음에서는 단독 1위가 아니라 공동 1위이며, 누구나 내려받을 수 있는 가중치로 중간급 비용에 그렇게 하고 있다.

Drama 3는 OrcaRouter의 모델 중 하나가 아닙니다. Fish Audio 자체 API와 여러 서드파티 플랫폼을 통해 접근하며, 그렇지 않은 척하는 글이라면 이 블로그가 존재하는 이유와 관련해 여러분에게 거짓말을 하는 셈입니다. 우리가 하는 일은 문제의 나머지 절반입니다: 단일 키 하나로 마크업 없이 제공업체 정가에 이용할 수 있는 약 200개의 모델, 자동 장애 조치, 라우팅 DSL과 모델 퓨전은 이미 다른 벤더를 호출하고 있는 파이프라인이 두 번째 계약과 두 번째 SDK 없이 이런 모델을 흡수하는 방식입니다. Drama 3가 렌더 큐의 내레이션 음성이 되고 그 큐에 마감 시한이 있다면, 나머지 모든 것을 하나의 엔드포인트로 라우팅할 때의 가치는 재시도 경로가 이미 존재한다는 데 있습니다.

앞으로 2주 동안 지켜볼 사항을 판도를 얼마나 바꿀지 순서대로 정리하면 다음과 같다. 더 많은 투표가 리테일 항목에 몰리면서 두 Drama 3 기록 사이의 22점 격차가 좁아지는지, 아니면 벌어지는지; Ming-3.0-tts가 더 큰 스팬 수로 재측정된 21위 고유명사 점수를 바탕으로 발음 부문에서 앞서 나가는지; 그리고 Fish Audio 외부의 누군가가 H200이 아닌 하드웨어에서 초당 271프레임 수치를 재현하는지. 아레나 수치는 인용할 만큼 충분히 확정되어 있다. 처리량 수치는 여전히 공급업체의 주장이며, 라이선스는 여전히 팀이 이걸 실제로 사용할 수 있는지를 가장 좌우할 가능성이 큰 요소다.