Fish Audio Drama 3 대 Inworld Realtime TTS-2: 하나는 대본을 읽고, 다른 하나는 대화를 따라갑니다

"Realtime"이라는 단어는 Inworld Realtime TTS-2에서 지연 시간에 관한 주장일 뿐, 해당 모델이 하는 일을 설명하는 말이 아닙니다. 라이브 대화를 위한 Inworld의 음성 대 음성 제품은 자체 가격 페이지에서 별도 항목이며, Realtime TTS-2는 대화형 사용에 충분히 빠른 텍스트 음성 변환 모델입니다. 이러한 구분은 Fish Audio Drama 3와 나란히 비교하는 순간 중요해집니다. 이 모델은 정반대의 작업을 위해 만들어졌습니다. 즉, 대본에서 단 한 줄의 대사도 말하기 전에 연출 지시를 써 넣도록 전체가 설계된 350억 매개변수 모델입니다. Artificial Analysis에서 두 제품을 나란히 놓으면 그 차이가 유난히 명확합니다. Drama 3는 Provider Voice Arena에서 11점 앞서고, Inworld는 Controlled Voice Arena에서 61점 앞섭니다. 이 격차의 방향은 두 숫자만으로 알 수 있는 것보다 각 제품의 용도를 더 잘 말해 줍니다.

같은 것을 겨냥한 적이 없는 두 제품

Inworld Realtime TTS-2는 2026-05-05에 연구 프리뷰로 시작해 2026-09-02에 정식 출시(GA)에 이르렀습니다. GA 시점의 세일즈 포인트는 충실도가 아니었습니다. 바로 이 모델이 대화의 이전 턴들을 오디오로 입력받아, 다음 대사가 어떻게 들려야 할지 결정하기에 앞서 어조와 속도를 추론한다는 점이었습니다. 이는 대화형 에이전트용 기능입니다. 방금 답답해하는 고객의 말을 들은 고객 지원 봇에게는 무대 지시가 필요하지 않습니다. 방금 오간 말에서 그것을 추론해야 할 뿐입니다.

2026-10-13에 공개된 Fish Audio Drama 3는 정반대 방향을 취한다. 이 제품이 내세우는 모든 기능은 명시적 작성에 관한 것이다. 즉, 지배하는 구절 앞에 오는 대괄호 지시문, 행 중간에 배치되는 사운드 및 일시정지 이벤트, 감싼 단어만 바꾸는 쌍 태그(whisper, emphasis, soft, fast, slow, stress, forceful), 발음을 위한 음소 고정, 단일 구절을 위한 언어 전환 태그, 대본과 다른 언어로 작성된 지시문, 그리고 턴별 화자 태그가 있는 reference_id 배열을 통해 한 요청에서 여러 화자의 대화를 처리하는 기능이다. 그 목록의 어떤 것도 문맥만으로 추론할 수 없다. 그 모든 것은 작성자가 직접 입력하는 것이다.

따라서 솔직하게 말하면 기준은 “어느 쪽이 더 나은가”가 아니라 “어느 실패를 감내할 수 없는가”이다. 감정적 연속성을 지닌 12인 등장 장면을 렌더링해야 하는 드라마 파이프라인은 채팅 기록에서 어조를 추론하도록 설계된 모델로는 그 목표에 도달하지 못한다. 1초 이내에 응답해야 하는 음성 에이전트는 무대 지시문과 48GB의 VRAM을 요구하는 모델로는 그 목표를 달성하지 못한다. 두 방식이 모두 진정으로 실행 가능한 교집합은 좁다: 대화형 콘텐츠를 위해 API를 통해 제공되는, 대본에 기반한 고품질 내레이션 — 오디오북 미리보기, 미리 렌더링된 NPC의 짧은 대사, 일정에 따라 재생성해야 하는 마케팅 VO.

보드들을 올바른 순서대로 읽기

아래 두 수치는 2026-10-29에 Artificial Analysis에서 확인한 값입니다:

• 프로바이더 보이스 아레나 — Fish Audio Drama 3은 1,278점으로 6위, 보드 기록은 백만 자당 $15.00; Inworld Realtime TTS-2는 1,267점과 $20.80으로 8위. Inworld Realtime TTS-2 Flash는 통제 보드에서 1,065점으로 19위에 있습니다.

• Controlled Voice Arena — Fish Audio Drama 3은 1,085점으로 12위, Inworld Realtime TTS-2는 1,146점으로 7위입니다. 여기서 Inworld가 61점 앞섭니다.

• 비대칭성 — 비교가 각 공급업체 자체 카탈로그 대신 동일한 참조 음성으로 수행되는 순간, Drama 3의 11포인트 공급업체 우위는 축소되고 역전된다. 그 우위는 주로 Fish Audio가 제공하는 음성들 사이에서의 우위이며, Inworld의 경우에는 그렇지 않다.

또 다른 비대칭성 — Inworld의 두 항목은 리더보드 양쪽에 걸쳐 있으며, 플래그십은 1,146, Flash는 1,065로 같은 제품군 내 등급 간 81점 격차를 보입니다. Drama 3에는 하위 등급이 없습니다. 35B 모델을 사용하거나 다른 모델을 써야 합니다.

이것은 Google Gemini 3.8 Flash TTS에서 같은 두 개의 보드가 보인 패턴과 정반대입니다. 그 경우 클로즈드 모델은 제공자 음성에서는 이겼고 통제 음성에서는 졌습니다. 어느 패턴도 노이즈가 아니며, 둘 다 아레나 수치 하나가 모델+음성 라이브러리 묶음을 설명한다는 점을 일깨워 줍니다. 그리고 오직 통제 보드만이 모델 자체를 분리해 냅니다.

맥락 인식 대 방향성, 구체적으로

Inworld Realtime TTS-2의 GA 발표는 모델이 대화 기록, 즉 이전 턴을 오디오로 읽고 이를 활용해 속도와 톤을 조정한다고 설명합니다. 이는 공급업체의 주장일 뿐 독립적으로 점수화된 기능이 아니며, Artificial Analysis의 아레나는 이를 테스트하지 않습니다. 아레나는 참조 음성에 대해 단일 문장만 테스트합니다. 따라서 Inworld가 실제로 판매하는 기능은 현재 어떤 공개 벤치마크도 측정하지 않는 기능입니다. 이 주장을 유망하지만 검증되지 않은 것으로 간주하고, 리더보드가 아니라 자체 대화로 테스트하세요.

Drama 3의 연출 지시 기능은 브래킷을 바꾸면 출력이 달라지는 것을 확인할 수 있다는 좁은 의미에서 측정 가능하며, Fish Audio는 각 기능을 샘플 오디오로 문서화해 둡니다. 이 비교에서 어떤 경쟁사도 따라잡지 못하는 기능은 언어 독립적 연출 지시입니다: 영어 대사 앞에 중국어로 작성한 지시를 문서화하고 시연한 것입니다. 국제 포스트 프로덕션 팀에게 이것은 있으면 좋은 기능이 아니라 운영상의 잠금을 풀어 주는 요소이며, 한 시간 안에 파일럿에서 확인되는 종류의 것입니다.

둘 중 하나를 선택하려는 팀에게 실용적인 테스트는 직접 작성한 대화 한 페이지입니다. 프로덕션에서와 같이 설정된 Inworld의 대화 컨텍스트로 렌더링하고, Drama 3과 명시적인 지시와 함께 렌더링하세요. 수작업으로 고쳐야 하는 줄이 더 적게 나오는 쪽이 답이며, 채팅 에이전트와 라디오 드라마에서는 답이 다를 것입니다.

클로닝, 지연 시간, 그리고 계획할 수 있는 숫자들

Inworld의 즉석 음성 복제는 5~15초 분량의 참조 오디오를 허용하며, 전문 복제 베타 버전은 더 높은 충실도의 복제를 위해 약 10분 분량의 오디오를 사용합니다. 이는 공급업체가 제시한 수치이며 테스트하기에 충분히 구체적입니다. Fish Audio의 복제는 생성과 동일한 크레딧 시스템에 속하고, Drama 3는 구독 플랜에서 S2.1 Pro와 동일한 크레딧을 사용합니다. 하지만 라이선스는 다른 부분입니다. Fish Audio의 커뮤니티 라이선스는 동의 없이 실제 인물의 음성을 복제하는 것을 명시적으로 금지하는 반면, Inworld의 약관은 일반적인 API 약관입니다.

지연 시간은 Inworld가 분명히 올바른 도구인 지점이며, 비교에서 이를 아닌 척해서는 안 됩니다. Realtime TTS-2와 그 Flash 티어는 인터랙티브 제품을 위해 만들어졌고, Flash 티어는 바로 그런 워크로드에 필요한 만큼 플래그십보다 40% 낮은 가격으로 책정되었습니다. Fish Audio가 공개한 Drama 3의 속도 수치는 단일 H200에서 초당 271프레임이며, S2는 177프레임입니다. 이는 배치 렌더링을 위한 처리량 수치이지, 라이브 스트림의 첫 바이트 도달 시간이 아닙니다. 요구 사항이 "음성이 대화 턴 안에서 시작되어야 한다"라면, 당신이 찾는 것은 Inworld의 제품이며, Drama 3가 제공자로서 11포인트 앞선다는 사실이 그것을 바꾸지 못합니다.

가격, 실제로 지불하게 될 요율 기준

Inworld Realtime TTS-2는 온디맨드 기준 100만 자당 $25.00이며, $25 Creator 요금제에서는 $20.00, Builder에서는 $17.50, Developer에서는 $15.00, Growth에서는 $12.50으로 내려갑니다. Flash는 온디맨드 기준 $15.00이고 Growth에서는 $7.00까지 내려갑니다. Fish Audio Drama 3는 정가 기준 100만 UTF-8 바이트당 $50.00이며, 2026-11-12 09:00 PT까지 진행되는 출시 프로모션 기간에는 $10.00입니다. 10만 자 영어 대본의 경우 Inworld 온디맨드 요율로는 $2.50이고, Drama 3 정가로는 $5.00, 프로모션 기간에는 $1.00입니다.

세 가지 주의사항은 그 계산 아래에 두는 것이 아니라 그 계산에 포함되어야 합니다. Drama 3는 UTF-8 바이트 단위로 청구하므로, 동일한 문자 수라면 CJK 문자 체계는 영어 문자 체계보다 몇 배의 비용이 들지만 Inworld의 문자당 요율은 변하지 않습니다. Drama 3의 연출 괄호는 입력 텍스트로 청구되며, 이는 연출 지시가 많은 대본에서 10~25%의 추가 비용입니다 — 바로 모델이 필요한 그런 대본입니다. 그리고 Fish Audio의 폴백은 조용합니다. 모델 헤더가 없거나 정확히 일치하지 않는 요청은 거부되는 대신 s2.1-pro로 처리되어 백만 바이트당 $15.00에 청구됩니다.

세 가지 단서를 모두 견뎌내는 비교는 가격표가 시사하는 것보다 짧습니다. 정가 기준으로 Inworld는 영어 문자당 Drama 3의 약 절반 수준이며, 제어된 음성에서는 Drama 3보다 우수합니다. 프로모션 기간에는 Drama 3가 Inworld 가격의 3분의 1입니다. 가격만으로 결정하는 사람은 제품이 아니라 날짜를 결정하는 것입니다.

둘 다 우리 카탈로그에 없으며, 그것이 무엇을 바꾸는지

Fish Audio Drama 3와 Inworld Realtime TTS-2는 모두 자체 공급업체의 API와 타사 플랫폼을 통해 접근하며, 둘 다 OrcaRouter의 모델이 아니고, 여기서의 라우팅 논의는 이 두 모델이 아니라 나머지 스택에 관한 것입니다. 음성 제품은 음성 모델 하나만 호출하고 끝내는 경우가 드뭅니다 — 대사에는 LLM을, 오디오에는 음성 모델을 호출하고, 때로는 다른 세그먼트에는 두 번째 음성 모델을 호출하며, 마감 기한도 있습니다. 음성이 아닌 절반을 공급업체 정가로 마크업 없이 하나의 키 뒤에 두고, 업스트림의 일시적 문제 하나로 렌더링이 멈추지 않도록 자동 장애 조치를 두는 방식으로 통합하는 것이 음성 선택을 아키텍처 결정이 아니라 구성 결정으로 유지하는 방법입니다.

이 특정 조합에서 라우팅 DSL이 진가를 발휘하는 지점은 혼합 파이프라인입니다. 즉, 사전 렌더링된 극적인 대사는 Drama 3를 통해, 실시간 대화 턴은 Inworld를 통해 처리하면서, 이를 하나의 키에 두 개의 라우트로 지정하고 세그먼트별로 선택하는 방식입니다. 모델 퓨전은 결정을 내릴 수 없을 때를 커버합니다. 같은 대사를 두 모델 모두로 렌더링하고, 기준 대비 점수를 매긴 뒤, 승자를 채택하는 것입니다. 이 두 방식 모두 어느 벤더의 가격도 우회하는 방법이 아닙니다. 이들은 설정 파일에서 한 줄을 아끼기 위해 두 개의 통합을 유지하는 일을 피하는 방법입니다.

하나를 선택하려는 독자라면: {{1}}Inworld Realtime TTS-2{{/1}}는 음성이 대화에 반응해야 하고, 지연 시간이 제약 조건이며, 볼륨을 흡수할 Flash 티어를 원하고, 폐쇄형 API가 허용된다면 적합합니다. {{2}}Fish Audio Drama 3{{/2}}는 음성이 반응형이 아니라 작성형이고, 이름과 코드의 발음이 신뢰할 수 있어야 하며, 연출 방향을 문서로 작성해야 하고, 가중치를 원하거나, 브리프가 대본과 다른 언어로 작성될 예정이라면 적합합니다. 11포인트의 제공업체 우위는 그 목록에서 가장 덜 중요한 숫자입니다; 61포인트의 통제된 결손은 결정하기 전에 자신의 참조 음성과 대조해 확인해야 할 숫자입니다.