Fish Audio Drama 3 Preview, 오픈 웨이트 음성 아레나 정상에 오르다

Fish Audio Drama 3 Preview는 Fish Audio가 2026년 10월 13일에 공개한 모델로, 그다음 날 아침에는 Artificial Analysis 텍스트 음성 변환 리더보드에서 오픈 웨이트 시스템 가운데 1위를 차지했습니다. 이 순위를 다시 한번 눈여겨볼 만하게 만드는 것은 정점이 아니라, 그 순위에 따라붙은 가격입니다. 이 항목은 100만 자당 $15.00의 정가 요율을 책정하고 있는데, 그 근처에 랭크된 모든 모델은 두 배에서 다섯 배 더 비쌉니다. 또한 보드에서 바로 위에 있는 두 모델인 ElevenLabs Eleven v4 Turbo와 ElevenLabs Eleven v4는 장편 오디오를 제작하는 사람에게는 불리한 방향으로 책정되는 글자당 가격을 가진 폐쇄형 시스템입니다.

각 업체의 자체 음성들이 서로 경쟁하는 리더보드의 Provider Voice Arena에서 Fish Audio Drama 3 Preview는 Elo 1,243으로 10위에 있습니다. 이는 1,330과 1,328의 ElevenLabs 두 모델보다, 1,286의 Cartesia Sonic 3.6보다, 1,300의 Qwen-Audio-3.1-TTS-Plus와 1,268의 Qwen-Audio-3.0-TTS-Plus보다, 그리고 1,274의 Gemini 3.8 Flash TTS보다 뒤처집니다. 이는 1,221에 있고 백만 자당 $34.00를 청구하는 두 번째 오픈 웨이트 참가작인 Breeze TTS 2보다 앞서는데, 이는 Drama 3 Preview 요금의 두 배가 조금 넘습니다. 해당 보드의 97개 모델 중 17개가 오픈 웨이트이며, Fish Audio의 새 프리뷰는 그중 가장 높은 순위입니다.

숫자는 오차 범위와 함께 읽어야 한다. 해당 항목에 대해 보드가 보고한 구간은 1,226.8에서 1,258.8까지이며, 약 1,857건의 블라인드 비교, 8개의 아레나 보이스에 걸쳐 있다. Breeze TTS 2와 비교하면 격차는 넉넉하다. 1,245와 $6.60의 Speechify Simba 3.2와 비교하면 그렇지 않다 — 구간이 겹치는 2점 차이이며, 누구도 이것을 근거로 구매 결정을 내려서는 안 된다. 솔직한 요약은 Drama 3 Preview가 오픈 웨이트 모델을, 이전에는 있을 이유가 없던 보드의 톱 10에 올렸다는 것이며, 그것도 중간 가격대에 해냈다는 것이다.

모델이 실제로 무엇인지

Fish Audio는 Drama 3 Preview를 약 350억 개 파라미터의 mixture-of-experts 모델이며 토큰당 약 30억 개 파라미터가 활성화되는 모델이라고 설명합니다. 이 모델은 Gated DeltaNet과 gated full attention을 결합한 하이브리드 어텐션 스택을 사용하며, 여기에 codebook-MTP 디코더와 44.1 kHz에서 작동하는 DAC 기반 토크나이저가 결합됩니다. 부분 codebook fusion은 처음 두 개의 codebook만 루프로 다시 공급합니다. 훈련은 세 차례의 사전 훈련 단계를 거친 뒤 명령 미세 조정, 그다음 규칙 기반 보상 셰이핑 없이 단일 인간 선호도 보상 모델에 대한 강화 학습으로 진행되었습니다.

함께 제공되는 처리량 주장은 실무자들이 가장 관심을 가질 부분이다. Fish Audio는 단일 H200에서 초당 271프레임을 보고하는데, 이는 훨씬 더 많은 파라미터를 지니고도 자신이 뒤를 잇는 S2 모델의 177프레임에 맞선 수치다. 이는 검증된 벤치마크가 아니라 벤더 측 수치이며, 배칭과 시퀀스 길이에 따라 달라질 것이다. 하지만 그 방향성은 희소 아키텍처가 마땅히 해야 할 일을 하고 있다는 점과 일치한다.

API 표면은 S2.1 Pro 엔드포인트에서 변경되지 않았습니다. 요청은 POST https://api.fish.audio/v1/tts로 전송되며, model 필드를 생략하거나 서비스가 인식하지 못하는 이름을 지정한 요청은 오류를 내는 대신 s2.1-pro로 폴백됩니다. 이 폴백은 편리하고 알아둘 가치가 있습니다. 왜냐하면 model 이름에 오타가 있어도 400 대신 잘못된 음성으로 그럴듯하게 들리는 오디오가 생성되기 때문입니다.

연출 제어, 한 번에 끝내는 대사, 그리고 단어 단위 수정

세 가지 기능이 이번 릴리스를 이전 세대와 차별화하며, 이들 모두는 실시간 대화가 아닌 스크립트 기반 제작 작업을 겨냥합니다.

• 자연어 지시. 고정된 태그 어휘 대신, 모델은 [긴장한, 간신히 버티는] 또는 [따뜻하고 편안한, 오랜 친구와 이야기하는 듯한] 같은 평범한 설명형 지시를 받아들이며, 새로운 테이크를 생성하지 않고도 문장 중간에 감정이나 전달 방식을 바꿀 수 있습니다. <whisper>…</whisper> 같은 쌍을 이루는 인라인 태그와 [sigh] 같은 큐는 감싼 텍스트에만 적용되므로, 한 대사가 중간에 운이 아니라 설계상 어조를 바꿀 수 있습니다.

• 단일 패스로 다중 화자 대화. 각 캐릭터는 하나의 생성 안에서 고유한 목소리를 유지하므로, 보통 TTS 모델과 완성된 장면 사이에 놓이는 이어붙이기 단계가 제거됩니다. 오디오 드라마와 게임 대화에서 이는 파이프라인과 연구 프로젝트의 차이입니다.

• 오디오 인페인팅. 한 세그먼트를 다시 선택하고 새 지침을 준 뒤 단독으로 재생성할 수 있으며, 이는 예전에는 전체 재렌더링을 초래하곤 했던 발음이 잘못된 단어 하나에 대한 워크플로 해결책입니다. Fish Audio는 대화형 편집 경험, 인페인팅 도구, 편집 API를 초대 전용 또는 출시 예정으로 명시하고 있어, 기능은 존재하지만 아직 사용자 접점이 일반에 공개되지는 않았습니다.

Fish Audio는 또한 긴 스크립트 전반과 장면 중간 전환에서도 언어 일관성을 유지하는 83개 언어, 영어, 중국어, 일본어, 한국어 및 기타 여러 언어에서의 음소 수준 발음 제어, 그리고 약 10~30초 분량의 참조 클립을 이용한 S2 스타일 음성 복제를 지원한다고 주장합니다. 출시 데모에는 회사가 허락을 받아 제작하고 사용했다고 밝힌 Uncle Roger 음성 복제가 사용되었습니다.

발음 주장과 그 근거

Fish Audio의 발표에 따르면 Drama 3 Preview는 Artificial Analysis Pronunciation Robustness 리더보드에서 전체 93.2%를 기록하며 ElevenLabs Eleven v4와 Eleven v4 Turbo를 앞서 1위를 차지했습니다. 공개된 세부 점수는 이름, 브랜드 및 기술 용어에서 95.9%로 Fish Audio S2.1 Pro의 87.3%를 앞서고, 문맥 의존 단어에서 95.3% 대 86.1%, 숫자·날짜·단위에서 93.6% 대 92.7%, 코드·경로·이메일 주소에서 86.3% 대 79.4%입니다.

그 숫자들은 Fish Audio 자체 발표에서 나온 것입니다. 모델별 점수를 직접 확인하려고 리더보드를 찾아 나섰을 때, 발음 견고성 경로들은 404를 반환했고, 제가 불러올 수 있었던 리더보드 화면은 인용 가능한 모델별 발음 수치가 첨부되지 않은 채 Elo 순위를 표시했습니다. 따라서 위 문단의 모든 수치는 공급업체 보고 수치이며, 이를 사용하는 모든 발표 자료에서는 그렇게 표기해야 합니다. 이 글의 다른 곳에 나오는 Elo 숫자들은 다릅니다: 그것들은 제가 리더보드에서 직접 읽어낸 것이고, 리더보드 자체의 신뢰구간을 함께 갖고 있습니다.

그 주장이 다루는 근본적인 불만은 누구의 수치를 믿든 실재합니다. 고유명사, 제품 코드, 파일 경로의 발음은 팀을 다시 인간 성우에게로 돌아가게 만드는 실패 유형이며, 이것은 운율 문제가 아니기 때문에 대부분의 TTS 공급업체가 가장 더디게 해결해 온 문제입니다. 코드, 경로, 이메일의 86.3%를 처리하는 모델은 전임 모델의 79.4%와 비교해도 여전히 대략 일곱 번에 한 번은 틀립니다.

이 라이선스에서 "open weights"가 의미하는 것은 무엇인가요?

Fish Audio Drama 3 Preview는 Fish Audio Community License v1.0에 따라 제공됩니다. 이를 전제로 계획을 세우기 전에 약관을 읽어 보십시오. 이 라이선스는 연구 및 비상업적 사용에는 무료이며, 귀하와 귀하의 계열사가 연간 매출 US$500,000 미만이면 상업적 사용에도 무료입니다. 그 기준을 초과하는 경우 — 또는 규모와 관계없이 이 모델을 텍스트 음성 변환, 음성 복제 또는 추론 서비스로 제공하려는 경우 — Fish Audio로부터 라이선스를 받아야 합니다. S2 라인은 계속 별도의 Research License 아래에 있습니다. 실제 인물의 음성을 동의 없이 복제하는 행위는 전면 금지됩니다.

상업적 임계값은 독립적으로 뒷받침된다: Artificial Analysis 보드는 해당 항목을 상업적 사용 권리가 없는 오픈 웨이트로 표시하는데, 이는 무제한 라이선스라기보다 수익 기준으로 제한된 라이선스와 일치한다. 소규모 스튜디오라면 이 라이선스의 오픈 웨이트는 실질적인 선택지다. 추론을 재판매하는 플랫폼이라면, 그것은 당신이 기대했던 의미의 오픈 웨이트가 아니다.

가격 및 출시 혜택

API 정가는 백만 자당 $50이며, 2026년 10월 13일부터 11월 12일까지 80% 할인되어 백만 자당 $10입니다. 크리에이터 크레딧은 S2.1 Pro와 동일하며, 새로운 Plus, Pro, Max 요금제는 같은 기간 동안 반값입니다. Artificial Analysis는 기본 설정 기준으로 리더보드 가격을 백만 자당 $15.00으로 기록하는데, 이는 Fish Audio 자체 요율표와 비교할 때가 아니라 해당 리더보드의 다른 항목과 비교할 때 사용해야 하는 수치입니다.

프로모션 기간은 실제 마감 기한이 걸려 있는 부분이다. 백만 자당 10달러로, Drama 3 Preview는 리더보드의 사실상 모든 경쟁 모델보다 훨씬 저렴하다. 50달러일 때는 49달러의 Cartesia Sonic 3.6보다 더 비싸고, 19.30달러의 Qwen-Audio-3.0-TTS-Plus보다 훨씬 높다. 할인 요율로 비용 모델을 세우는 사람이라면 정가 요율로도 두 번째 모델을 세우고 그 프로젝트가 여전히 성립하는지 확인해야 한다.

프로덕션 스택에서 이것이 어디에 위치하는가

대본이 있고 한 번만 렌더링하는 오디오가 가장 잘 맞는 영역입니다: 오디오북, 오디오 드라마, 게임 및 애니메이션 대사, 숏폼 비디오. 다중 화자 단일 패스 생성과 인페인팅 워크플로는 모두 그런 형태의 작업을 지원하기 위해 존재하며, 가격은 분당이 아니라 문자당이어서 긴 대본에 유리합니다. 대화형 편집과 편집 API는 아직 일반적으로 제공되지 않으므로, 이들에 의존하는 워크플로는 초대에 의존하는 워크플로입니다.

그다음에 남는 운영상의 질문은 라우팅이며, 이는 텍스트보다 음성에서 더 어려운 문제입니다. Fish Audio Drama 3 Preview는 현재 OrcaRouter에 있는 모델이 아닙니다. 이 모델은 벤더 자체 API와 여러 서드파티 플랫폼을 통해 접근합니다. 위에서 비교한 대부분의 모델도 마찬가지입니다. 음성 리더보드 상위 10위는 벤더별 인증을 사용하는 벤더별 엔드포인트들의 집합이며, 각각이 개별 통합이자 개별 장애 도메인입니다. OrcaRouter의 단일 키로 약 200개 모델을 제공업체 정가에 마크업 없이 이용하는 것은 텍스트, 비전, 추론 작업을 아우르며, 자동 페일오버는 바로 한 제공업체의 엔드포인트가 실행 중에 성능이 저하되는 경우를 위해 존재합니다. 프로덕션 음성 경로의 실용적인 패턴은 음성 벤더는 직접 유지하고, 그것이 조율하는 모든 것 — 요약, 번역 단계, 발음 사전 빌더, QA 분류기 — 을 단일 라우팅 엔드포인트 뒤에 두어, 그곳의 페일오버가 렌더 파이프라인까지 끌고 가지 않도록 하는 것입니다.

결론

Fish Audio Drama 3 Preview는 출시 주간에 생긴 일시적 현상이 아닌 실제 결과입니다. Provider Voice Arena에서 Elo 1,243으로 10위, 해당 보드의 오픈 웨이트 항목 17개 중 1위이며, 백만 자당 $15.00로 바로 아래 오픈 웨이트 모델의 $34와 대비됩니다. 보드 최상위와의 격차는 여전히 크고 신뢰구간은 가장 가까운 이웃들과 겹치므로, 오픈 웨이트 왕좌는 선두가 아니라 출발점입니다. 93.2%라는 발음 수치는 벤더 자체 수치이며 보드에서 독립적으로 확인할 수 없었습니다. 라이선스에는 상업적 사용에 대한 미화 500,000달러의 매출 상한이 있어 일부 팀에게는 아예 선택지에서 제외되게 만들 것입니다. 그리고 $10 요금은 2026년 11월 12일에 만료됩니다.

스크립트 오디오를 대량으로 제작하는 스튜디오라면, 다중 화자 단일 패스 생성, 단어 하나 단위 인페인팅, 그리고 매출 기준 이하에서 적용되는 오픈 웨이트 라이선스의 조합이 여기서 가장 강력한 논거입니다 — 헤드라인을 장식할 리더보드 순위보다 더 강력합니다.

이와 같은 모델 선택은 또한 실패 모드가 드러나는 지점이기도 합니다: 이 부류의 모델에서 발생한 문서화된 AI 사고와 에이전트 실패가 수집되는 곳은 OrcaRouter AI Incident Archive이며, 각 항목은 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그를 포함합니다.