Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: 이제 Google이 저렴한 쪽이며, 이는 통상적인 논리를 뒤집는다

이 둘을 완성된 오디오 1분당 가격으로 환산하면, 그 비교는 시장이 올해 내내 해온 비교와 더 이상 닮지 않게 된다. Google Gemini 3.8 Flash TTS는 오디오 토큰 100만 개당 $9.00를 청구하며, 오디오는 초당 25토큰으로 생성된다. 이는 초당 0.02센트를 조금 넘는 수준으로, 음성 1시간당 약 $0.81에 해당한다. Fish Audio Drama 3은 UTF-8 바이트 100만 개당 $50.00의 정가로 책정되어 있으며, 공급업체 자체 문서에서는 이를 대략 12시간의 음성과 동일시한다. 정가 기준 시간당 약 $4.17, 2026-11-12에 종료되는 출시 프로모션 기간에는 시간당 $0.83이다. 따라서 할인이 만료되면 Google의 플래그십 음성 모델은 오픈 웨이트 경쟁 모델보다 다섯 배 저렴하며, 할인이 유지되는 동안에는 가격이 거의 같다. 흔한 구도, 즉 민첩한 오픈 모델이 하이퍼스케일러보다 낮은 가격으로 공략한다는 구도는 여기서 정확히 거꾸로이며, 그 이유를 이해하는 것이 이 결정의 전부다.

검산할 수 있을 만큼 자세한 산술

구글의 단위는 문자자가 아니라 토큰이며, 이것이 텍스트 대 문자당 판매사들과 비교했을 때 헤드라인 숫자가 눈에 띄지 않아 보인 이유입니다. {{1}}Gemini 3.8 Flash TTS{{/1}}는 2026년 말까지 백만 토큰당 $9.00에 초당 음성 25토큰으로 오디오를 출력하며, 이것이 대체하는 모델인 {{2}}Gemini 3.1 Flash TTS Preview{{/2}}는 동일한 백만 출력 토큰당 $20.00에 책정되었습니다. 2026-09-23에 함께 출시된 {{3}}Gemini 3.8 Flash-Lite TTS{{/3}}는 더 짧은 언어 목록과 더 낮은 요율을 다시 채택하며, {{4}}Artificial Analysis{{/4}}는 비교 목적으로 이를 백만 문자당 $11.00로 기록합니다.

Fish Audio의 단위는 글자가 아니라 바이트이며, 문서에는 변환 기준이 명확히 나와 있습니다. UTF-8 기준 100만 바이트는 약 18만 개의 영어 단어, 즉 약 12시간 분량의 음성에 해당합니다. 100만 바이트당 $50.00이면 오버헤드를 제외하고도 시간당 $4.17입니다. 프로모션 가격인 $10.00이면 $0.83입니다. 연출 괄호는 입력 텍스트로 청구되므로, 연출이 많은 대본은 단어 수가 시사하는 것보다 10~25% 더 비쌉니다. 그리고 이 비교에서는 모든 괄호가 청구됩니다. Drama 3의 설계 전체가 연기를 대본에 직접 쓰는 방식이기 때문입니다.

• 음성 1시간당 정가 — Gemini 3.8 Flash TTS 약 $0.81, Drama 3 약 $4.17.

• 프로모션 가격, 시간당 기준 — Gemini 3.8 Flash TTS 약 $0.81, Drama 3 약 $0.83. 사실상 거의 동일한 수준.

• 단위 — Google 쪽에서는 초당 출력 토큰 수, Fish Audio 쪽에서는 입력의 UTF-8 바이트 수입니다. 둘 다 정직한 단위입니다. 그러나 같은 단위가 아니며, 변환 없이 이들을 섞는 모든 "백만 X당" 비교는 노이즈입니다.

• 숨은 함정 — 모델 헤더가 누락되었거나 철자가 틀린 Drama 3 요청은 실패하지 않고, s2.1-pro로 폴백되어 100만 바이트당 $15.00로 청구되는데, 이는 오타 하나 때문에 프로모션 요율보다 50% 할증된 금액입니다.

구글의 가격이 실제로 무엇을 사는가

시간당 더 저렴하다는 것은 출력이 쓸 만할 때만 흥미로운데, 독립적인 수치들은 그렇다고 말하며, 그것도 특정한 형태로 그렇다고 한다. Artificial Analysis는 Google Gemini 3.8 Flash TTS를 Provider Voice Arena에서 Elo 1,283 및 리더보드에 기록된 $16.50으로 5위에 올리며 — Fish Audio Drama 3의 1,278보다 높게 — Controlled Voice Arena에서는 1,053으로 24위에 올린다, Drama 3의 1,085보다 낮다. 이 분열은 한 줄로 이 모델을 보여준다: Google 자체 음성이 사용될 때는 훌륭하게 들리지만, 모든 모델이 동일한 참조 음성으로 평가될 때는 리더보드 중간으로 떨어진다.

발음 리더보드도 비슷하게 협소한 양상을 보여줍니다. Gemini 3.8 Flash TTS는 점수가 매겨진 31개 모델 중 문맥 적합성 범주에서 98.0%로 선두를 달리고 있으며, Drama 3는 95.3%입니다. 이는 이 모델의 약점이 아닙니다. 이 비교에서 Google의 약점은 제어입니다: Gemini는 Kore와 Puck을 포함한 30개의 사전 제작 스튜디오 음성을 130개 언어 전체 세트 및 자동 언어 감지 기능과 함께 제공하고, 문서에서는 Extended Voice Library에 대해 '수백 개'라고 설명하지만 마케팅 페이지에서는 2,000개 이상이라고 하는 음성 라이브러리도 제공합니다. 이 수치들은 외부에서 한 번도 서로 일치시켜 확인된 적이 없으며, 특정 음성이 제품에 핵심적으로 중요하다면 그 음성을 테스트하는 것이 누구라도 솔직하게 내놓을 수 있는 유일한 답입니다.

클로닝 없이 사용할 수 있는 30개의 목소리는 고객 지원 봇, 제품 내레이터, 언어 학습 앱에는 충분합니다. 하지만 드라마 제작 파이프라인, 캐스팅이 필요한 12명의 캐릭터가 등장하는 게임, 또는 목소리 자체가 결과물인 클라이언트 작업에는 충분하지 않습니다. Fish Audio가 채우는 격차가 바로 이것이며, 이는 정도의 차이가 아니라 종류의 차이입니다.

오픈 가중치가 무엇을 주는지, 그리고 그것을 실행하는 데 무엇을 치러야 하는지

Fish Audio Drama 3는 약 350억 개 매개변수를 갖춘 혼합 전문가(MoE) 모델로, 토큰당 약 30억 개의 매개변수가 활성화되며, Qwen3.5-35B-A3B에서 초기화되었습니다. 256개의 라우팅된 전문가 중 8개와 공유 전문가 1개를 사용하며, 40개 계층은 Gated DeltaNet 계층 3개와 게이트된 전체 어텐션 계층 1개로 구성된 블록으로 이루어집니다. 가중치는 Hugging Face에 fishaudio/drama-3로 공개되어 있으며 — 샤드 세트 전체에 걸쳐 약 40GB이고 별도의 코덱 파일이 포함됨 — FP8 추론에는 약 48GB의 VRAM이 필요하고 문서화된 CPU 또는 ROCm 경로는 없습니다. 서빙은 SGLang-Omni를 통해 이루어지며, 공급업체는 단일 H200에서 초당 271프레임을 보고했는데, 이는 S2의 177프레임과 대비됩니다.

그 하드웨어 라인이야말로 진짜 거래다. Google의 시간당 $0.81 가격에는 자본 지출도 운영 비용도 포함되지 않는다. 당신의 유일한 고정 비용은 요청 하나다. Drama 3의 시간당 $0.83 프로모션 요금은 API 요금이며, 직접 구동하면 그것은 48GB GPU, 서빙 스택, 그리고 그것을 책임지는 한 사람으로 바뀐다. 한 달 40시간 분량의 오디오 카탈로그라면 API가 분명히 더 저렴하다. 수천 시간 분량이라면, 또는 제3자가 개입하지 않고 돌아가야 하는 무엇이든, 가중치는 논거를 완전히 뒤바꾼다 — 그리고 그것은 Google이 어떤 가격에도 팔지 않는 단 하나의 것이다.

여기서도 라이선스가 중요합니다. 라이선스가 '오픈 웨이트'와 '무료'를 구분하는 기준이기 때문입니다. Drama 3는 Fish Audio Community License v1.0에 따라 공개됩니다. 연구 및 비상업적 사용은 무료이고, 귀하와 귀하의 계열사의 연간 매출이 미화 500,000달러 미만이면 상업적 사용도 무료이며, 그 기준을 초과하거나 Drama 3 자체를 호스팅 음성 또는 음성 복제 서비스로 제공하려면 별도의 라이선스가 필요합니다. Artificial Analysis는 이를 완전한 상업적 사용 권리가 없는 오픈 웨이트로 표시합니다. Google의 약관은 일반적인 API 약관으로, 이는 재배포가 아니라 데이터 처리에 관한 별개의 문제입니다.

언어들, 그리고 겉보기보다 하는 일이 적은 숫자

Google은 텍스트에서 자동 감지되는 130개 언어를 지원한다고 주장합니다. Fish Audio는 83개 언어를 지원한다고 주장하며, 훨씬 더 이색적인 기능이 붙어 있습니다. 연출 지시는 어떤 언어로든 작성할 수 있고 대본의 언어와 일치할 필요가 없으며, 한 줄 중간에 단일 구절을 다른 언어로 바꾸는 문서화된 언어 전환 태그가 있습니다. 이는 실험적이라고 표시되어 있습니다. 이것들은 서로 다른 제품입니다. Google의 숫자는 하나의 통합으로 얼마나 많은 시장에 진입할 수 있는지를 말해줍니다. Fish Audio의 숫자는 대본의 언어를 공유하지 않을 수도 있는 연출가가 한 대사를 얼마나 정밀하게 만들어낼 수 있는지를 말해줍니다.

지역화된 제품을 출시하는 팀에게는 130이 83보다 낫고, 자동 감지는 실질적인 운영상의 이점입니다 — 언어별 라우팅도, 언어별 음성 선택도 필요 없습니다. 눈치 있는 청중을 위해 한두 개 언어로 콘텐츠를 제작하는 팀에게는 83이 제약이 아니며, 어떤 언어로든 방향을 지정할 수 있는 기능이 두 기능 중 더 가치 있습니다. 두 숫자 모두 리그 순위표의 위치로 읽혀서는 안 됩니다. 모델이 주장하는 언어 수는 필요한 언어에서 그 모델이 얼마나 뛰어난지와 잘 상관된 적이 없습니다.

라우팅된 스택에서 각각이 위치하는 곳

이 글은 이 시리즈에서 공급자 측이 완전히 정직하지 않다는 점을 얼버무리지 않는 몇 안 되는 글 중 하나입니다: OrcaRouter는 Google의 이전 Gemini 음성 모델— google/gemini-3.1-flash-tts-preview와 google/gemini-2.5-flash-preview-tts는 현재 둘 다 카탈로그에 있습니다—을 라우팅하지만, Google Gemini 3.8 Flash TTS와 Fish Audio Drama 3은 라우팅하지 않습니다. 이전 Gemini TTS 모델은 Google 정가로 마크업 없이 저희를 통해 이용할 수 있습니다; 이 글에서 실제로 다루는 두 모델은 각 공급업체의 자체 API를 통해, Fish Audio의 경우에는 타사 플랫폼을 통해 접근합니다.

유용한 결과는 Google 음성 청구서의 더 큰 부분이 이미 하나의 키 뒤에 놓일 수 있다는 것이며, 페일오버 계층이 비교를 저렴하게 실행할 수 있게 만드는 요소입니다: Drama 3의 카나리를 Gemini 3.8 Flash TTS 호출 옆에 배치하고, 수용 테스트를 통과하는 쪽으로 프로덕션 경로를 라우팅하면, 세그먼트별 선택은 두 개의 SDK가 아니라 라우팅 DSL에 위치하게 됩니다. 모델 퓨전은 이것이 제시하는 또 다른 옵션입니다 — 동일한 대사를 양쪽 모두로 렌더링하고 정의한 규칙에 따라 선택하는 패널로, 내레이션의 경우 코드가 있는 대사에는 Drama 3의 발음을 유지하고 산문에는 Google의 문맥 기반 독음을 유지할 수 있다는 뜻입니다.

결론을 분명히 말하면: 복제가 필요 없고 인프라에 투자할 의향도 없는 대량 영어 작업에서는 시간당 $0.81의 Gemini 3.8 Flash TTS가 제공자 보이스 기준으로 더 저렴하고 더 좋은 소리를 내는 모델이며, Drama 3를 주장하는 논리는 요금표를 마주하는 순간 성립하지 않는다. 맞춤형 또는 캐스트 보이스, 단어별 연출 지시, 음소 제어, 또는 제3자 없이 실행할 수 있는 능력이 필요한 모든 경우에는 Drama 3가 둘 중 유일하게 그 작업을 해낼 수 있는 쪽이다 — 정가 기준으로는 Google의 시간당 요금의 다섯 배이고, 프로모션 기간에는 같은 요금이므로, 앞으로 2주는 발음상의 이점을 중심으로 구축할 가치가 있는지 알아볼 수 있는, 누구든 얻을 수 있는 가장 저렴한 기회다.