Fish Audio Drama 3 vs Ming 3.0 TTS: 복제된 목소리에서는 사라지는 91점 우위

Fish Audio Drama 3는 각 모델이 자체 보이스 세트로 말하는 리더보드에서 Ming 3.0 TTS를 91 Elo 포인트 앞서고, 두 모델 모두 동일한 복제 참조 음성 8개를 제공받는 리더보드에서는 17 포인트 앞선다. 이 격차는 두 모델의 신뢰 구간이 겹칠 만큼 좁다. 둘 다 지난 6주 동안 오픈 웨이트로 공개된 모델이며, 둘 다 Artificial Analysis의 평가를 받고, 어려운 단어가 실제로 입에서 올바르게 발음되었는지 사람에게 묻는 한 가지 테스트에서는 93.2%를 기록한다. 세 개의 숫자, 그중 둘은 서로 다른 방향을 가리킨다. 어느 쪽을 믿느냐가 어떤 모델을 살지 결정하며, 그 답은 당신의 제품이 자기 목소리처럼 들리는지 아니면 다른 누군가의 목소리처럼 들리는지에 달려 있다.

6주 차이로 이루어진 두 번의 출시, 서로 반대되는 규모로 설계됨

Drama 3는 2026년 10월 13일에 발표되었으며 Fish Audio의 API에 drama-3로 라이브 상태이고, 가중치는 새로운 커뮤니티 라이선스로 Hugging Face에 공개되어 있습니다. Ming 3.0 TTS는 더 조용히, 그리고 조각조각 도착했습니다: InclusionAI Hugging Face 저장소는 9월 22일에, 0.5B 가중치는 9월 24일에, 추론 코드는 10월 19일에야 나타났습니다 — 그렇기 때문에 Artificial Analysis는 10월 20일까지 그것을 평가할 수 없었습니다. Ant Group은 그것에 대한 출시 게시물을 한 번도 발표하지 않았으며, 호스팅 엔드포인트나 정가도 없습니다.

사양표는 서로 비슷하지도 않으며, 리더보드가 의미를 갖기 전에 가장 먼저 이해해야 할 점이 바로 이것입니다.

• 파라미터 — 토큰당 약 3B가 활성화되는 35B 전문가 혼합(MoE) 모델로, Qwen3.5-35B-A3B에서 초기화되었으며 256개 전문가 중 8개와 공유 전문가 1개를 라우팅하는 모델로서, Qwen2.5-0.5B 백본 기반의 0.5B 밀집 모델과 비교됩니다. Ant는 또한 총 7.9B / 활성 1.3B 규모의 MoE인 Ming-3.0-tts-tiny도 제공하는데, 이 모델은 독립적인 점수가 전혀 없습니다.

• 언어 지원 범위 — Drama 3의 경우 83개 언어를 지원한다고 표방하지만, 0.5B Ming 체크포인트는 7개 언어(중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어)에 더해 방언 참조 클립을 제공하면 쓰촨어와 광둥어까지 지원합니다.

• 출력 — 두 모델 모두 44.1 kHz이며, 매우 다른 구조를 통해 생성됩니다: Drama 3는 전작의 Descript Audio Codec 토크나이저를 10개 코드북과 약 초당 21.5프레임으로 유지하는 반면, Ming은 AudioVAE를 통해 연속 잠재 표현을 디코딩합니다.

• 가중치 및 라이선스 — Drama 3는 Fish Audio Community License v1.0에 따라 연간 매출 미화 50만 달러 미만이면 무료이며, 그 이상이거나 합성 결과물을 서비스로 재판매하는 경우에는 협의 가능합니다. Ming 3.0 TTS는 MIT 라이선스로, 매출 기준 제한이 전혀 없습니다.

• 가격 — 정가 기준 UTF-8 바이트 100만 개당 US$50이며, 2026년 11월 12일까지 US$10로 할인됩니다. 이는 구매할 것이 없어 가격이 없는 경우와 대비됩니다: 2.96GB 체크포인트를 내려받아 실행하면 됩니다.

규모의 차이는 양방향으로 작용합니다. Drama 3의 35B 백본 덕분에 긴 대본 전반에서 방향성을 유지하고 여러 화자를 하나의 장면에 배치할 수 있으며, 화자마다 하나의 음성 ID를 배열로 전달할 수 있습니다. 또한 이 때문에 누구도 그것을 노트북에 올리려 하지 않을 것입니다. Ming의 0.5B는 적당한 단일 GPU에서 서빙하고 대여한 GPU에서 파인튜닝할 수 있는 모델입니다.

Artificial Analysis가 서로 다른 두 가지 답변을 내놓는 이유

모두가 가장 먼저 인용하는 리더보드는 Provider Voice Arena이며, 그곳에서 Drama 3가 실질적인 선두를 잡았다. 10월 29일 기준 Drama 3는 Elo 1,278로 100개 모델 중 6위에 올라 있으며, Artificial Analysis는 기본 설정 기준 100만 문자당 US$15로 가격을 책정했다. Ming 3.0 TTS는 1,187로 24위이며, 기록할 상용 엔드포인트가 없어 가격이 기록되지 않았다. 신뢰 구간이 대략 ±13에서 ±18 사이인 리더보드에서 91점 차이는 노이즈가 아니다. Drama 3의 네이티브 음성이 선호된다는 것은 분명하다. 같은 표의 한 세부 사항은 그 이유의 일부를 설명한다. Artificial Analysis는 Ming을 세 개의 아레나 음성과 비교해 채점했고, Drama 3는 여덟 개와 비교해 채점했다.

두 번째 보드는 다른 질문을 던지고, 그 우위는 사라진다. Controlled Voice Arena는 모든 시스템에 동일한 여덟 개의 복제 음성 — 미국식 네 개, 영국식 네 개 — 을 제공하므로, 비교는 누구의 성우가 더 나은지에 관한 것이기를 멈추고 각 모델이 남의 목소리를 얼마나 잘 소화하는지에 관한 것이 된다. 그곳에서 Drama 3는 1,085점으로 49개 중 12위이며, 구간은 1,069에서 1,101이다. Ming은 1,068점으로 17위이며, 구간은 1,053에서 1,083이다. 두 구간은 1,069에서 1,083의 범위를 공유한다. 그것은 동점이며, 다르게 말하는 것은 그 조사에 없는 정밀도를 읽어내는 것이다.

또한 Artificial Analysis는 해당 보드에서 1,063점으로 20위에 오른 별도의 Drama 3 Preview 행을 여전히 보유하고 있다는 점에 주목하십시오. 프로덕션 체크포인트와 9월에 출시된 프리뷰는 서로 다른 두 시스템으로 평가되므로, 어느 행을 가리키는지 밝히지 않고 "Drama 3"을 인용하는 비교는 비교라고 할 수 없습니다. 여기서 우리의 수치는 프로덕션 행입니다.

실용적으로 해석하면, 제품이 자체 음성 캐스트(내레이터, 고객 지원 상담원, 게임 내 캐릭터)를 제공한다면 Drama 3의 우위는 실질적이고 큽니다. 제품이 고객이나 크리에이터의 음성을 복제해 그 목소리로 말한다면 두 모델은 사실상 동등하며, 결정은 대신 가격, 라이선스, 언어 지원 범위로 넘어갑니다.

93.2% 발음 동점은 네 가지 서로 다른 결과입니다.

두 모델 모두 Artificial Analysis의 영어 발음 견고성 테스트에서 93.2%로 기록되었습니다. 이는 10월 20일 보드가 발표한 결과로, 두 모델을 31개 시스템 중 공동 1위에 올려놓았고 91.7%의 Eleven v4를 앞섰습니다. 이 헤드라인은 곳곳에서 반복되어 왔지만, 운영상 중요한 유일한 부분을 가리고 있습니다. 바로 두 모델이 정반대 유형의 텍스트에서 실패한다는 점입니다.

정확한 시퀀스 — Ming은 이를 90.6% 보존하며 31개 중 1위입니다. Drama 3의 해당 수치는 86.3%입니다. 주문 번호, URL, 파일 경로, 시리얼 코드는 Ming에서 더 잘 유지됩니다.

• 약어 확장 — Ming 96.5%, 31개 중 1위이기도 하며, Drama 3은 93.6%를 기록했습니다. 날짜, 단위, 약어는 글자로 풀어 쓰지 않고 소리 내어 읽었습니다.

• 독립 용어 — Drama 3은 95.9%로 Ming의 88.5%를 앞섰고, Ming은 31개 중 21위를 기록했습니다. 브랜드명, 지명, 전문 용어는 Drama 3의 가장 강력한 범주입니다.

• 문맥상 적절한 용어 — Drama 3은 95.3%, Ming은 91.0%, 31개 중 13위.

Ming이 단독 이름에서 보이는 약점은 음성 구성과 맞닿아 있습니다. 0.5B에는 100개가 넘는 내장 중국어 음성과 5개의 영어 음성이 탑재되어 있어, 영어 고유명사 처리에 활용할 자원이 더 적습니다. Drama 3의 약점은 그 정반대입니다 — 연기를 전달하도록 훈련된 모델은 때때로 코드 번호를 연기처럼 전달하기도 합니다.

93.2%라는 두 수치 모두 벤더가 보고한 것이 아니다. 둘 다 동일한 독립 하네스에서 나온 결과이기에 애초에 비교 자체가 가능한 것이다 — 그리고 이 범주에서는 이런 경우가 드물다는 점을 짚고 넘어갈 만하다. 공개된 대부분의 단어 오류 표는 각 연구소가 자체 프롬프트로 실행한 결과이기 때문이다.

100만 글자에 실제로 드는 비용

Drama 3는 입력 크기를 기준으로 요금을 청구합니다. UTF-8 바이트 100만 개당 미화 50달러이며, 2026년 11월 12일 태평양 시간 09:00까지는 미화 10달러로 인하됩니다. 11월 13일의 이 5배 급등은 이번 비교에서 단일 최대 수치이며, 이를 언제 기준으로 보느냐에 따라 완성된 1시간당 비용에서 두 모델의 순위가 바뀝니다.

연동하기 전에 알아둘 만한 과금 함정이 하나 더 있습니다. Drama 3는 S2.1 Pro와 동일한 POST /v1/tts 엔드포인트를 유지하는데, 모델 헤더가 없거나 철자가 틀리면 요청이 조용히 s2.1-pro로 폴백되어 해당 모델 기준으로 과금됩니다. 그럴듯한 오디오가 나오고 오류도 없기 때문에, 환경 변수의 오타 하나로 몇 주 동안 아무도 목소리가 잘못된 것을 알아채지 못한 채 운영될 수 있습니다.

Ming은 인보이스 자체가 없는데, 이는 무료라는 것과 같지 않습니다. GPU 시간과 엔지니어링 시간으로 비용을 치릅니다. 0.5B 체크포인트는 2.96 GB이고, 오디오 VAE, CAM++ 스피커 인코더, 토크나이저를 함께 연결해야 하며, 이를 뒷받침하는 벤더 지원 약정도 없습니다. Ant는 벤치마크 표와 Gradio 데모를 공개했을 뿐, 서비스 수준 계약을 제공한 것은 아닙니다.

라우터가 진실로 유용한 곳이 바로 여기이며, 진실로 유용하지 않은 곳도 바로 여기입니다. OrcaRouter는 제공업체 정가를 0% 마크업으로 그대로 전달하므로 Fish Audio 같은 벤더 프로모션은 우리가 라우팅하는 모든 대상에 같은 날 적용됩니다 — Drama 3은 그중 하나가 아니며 Ming도 아닙니다. 현재 우리가 제공하는 음성 엔드포인트는 Google의 Gemini TTS 라인과 OpenAI의 TTS-1-HD이며, 이 모두는 단일 키 뒤의 하나의 API를 통해 텍스트 모델과 함께 접근할 수 있습니다. Drama 3과 Ming을 비교 중이라면, 어떤 라우팅 레이어도 두 모델 중 어느 것도 대신 호스팅해 주지 않을 것입니다. 단일 키로 얻을 수 있는 것은 그 주변 파이프라인의 나머지입니다.

리더보드보다 라이선스가 더 많은 것을 결정한다

MIT와 Fish Audio 커뮤니티 라이선스 v1.0은 이 두 라이선스 사이에서 가장 뚜렷한 분기점이며, 이는 철학적 차이가 아닙니다. Ming의 MIT 조건은 규모에 관계없이 어떤 기업이든 모델을 유료 제품에 내장하고, 재판매하고, 파인튜닝하고, 파생물을 배포할 수 있게 하며, 수익 임계값도 없고 Ant와의 대화도 필요 없습니다.

Drama 3의 라이선스는 연구 및 비상업적 작업에는 무료이고, 귀하와 계열사가 연간 매출 US$500,000 미만인 동안에는 상업적 사용에도 무료이며, 그 이상이면 협상된 라이선스가 필요합니다. 또는 규모에 관계없이 Drama 3를 텍스트 음성 변환, 클로닝 또는 추론 서비스로 제공하려는 경우에도 마찬가지입니다. 모델 카드 자체의 FAQ는 대부분보다 명확합니다. 고객을 위한 완성된 오디오는 괜찮지만, 경쟁하는 합성 API는 안 됩니다.

가정하기보다 확인해봐야 할 세부 사항이 하나 있습니다: fishaudio/drama-3의 Hugging Face 메타데이터에는 여전히 fish-audio-research-license라고 표기되어 있지만, 카드 본문은 Community License를 설명하고 있습니다. 배포를 최종 승인하는 담당자라면 태그가 아니라 저장소에 있는 라이선스 파일을 읽어 보십시오.

오디오 드라마를 만드는 스튜디오에게는 50만 달러 기준이 문제가 되지 않으며, 꼭 읽어야 할 부분은 서비스 조항이다. 해당 매출 기준을 넘는 제품에 음성 기능을 넣으려는 회사에게 Drama 3는 조달 논의이고, Ming은 pip install이다.

어느 걸 고를까?

지원 또는 거래용 음성, 영어 또는 중국어. Ming. 봇이 주문 번호나 예약 참조 번호를 다시 읽어줄 때 가장 중요한 두 부문에서 1위를 차지하며, MIT이고, 이미 보유한 하드웨어에서 실행됩니다. 복제 음성 동점은 그 목표에 도달하기 위해 자연스러움을 포기하지 않는다는 뜻입니다.

내레이션, 오디오 드라마, 브랜드 집중형 대본, 다수 언어. 드라마 3. 제공업체 음성의 우위는 실재하며, 고유명사는 그 가장 강한 범주이고, 83개 언어 대 7개 언어는 프롬프트 엔지니어링으로 좁힐 수 있는 격차가 아니다. 11월 가격 변경에 대비해 예산을 편성하고 서비스 약관을 읽어라.

이미 여러 테이크를 처리하는 파이프라인. 드라마 3는 다만 실제로 수정 루프를 사용할 경우에만 해당합니다. Fish Audio는 인간 선호도 보상 모델로 이를 훈련했으며, 원하는 성과를 얻는 방법으로 다중 턴 수정을 내세웁니다. Ming은 수정 메커니즘이 없는 단일 샷 모델이므로, 테이크 구조는 Drama 3를 선택할 이유가 될 뿐 두 모델을 비교할 이유는 되지 않습니다.

VRAM이 제약 조건인 모든 배포 환경.Ming, 두말할 필요도 없이. H200에서 벤치마크를 돌리는 35B 규모의 mixture of experts는 편리하다는 이유로 쓰는 모델이 아니다.

무엇을 볼까요?

세 개의 날짜와 하나의 공백. 11월 13일에는 Drama 3 프로모션 가격이 종료되어 US$10이 US$50으로 바뀌는데, 이는 5배의 변동으로 이 범주의 모든 비용 비교를 하루아침에 재정렬할 것이다. 그 전에 Artificial Analysis가 Drama 3와 Drama 3 Preview 행을 통합하는지 지켜봐야 한다. 하나의 모델을 두 번 나열하는 리더보드는 이 글에서 피하려는 바로 그런 부실한 인용을 불러일으키기 때문이다. 또한 Ming-3.0-tts-tiny의 점수를 주시해야 한다. 7.9B MoE 버전은 Ant가 실제로 팟캐스트 생성을 위해 내세우는 모델인데, 현재로서는 벤더 수치만 있을 뿐이다. 중국어 단어 오류율 0.820%, 한국어 6.000%이며, 이를 뒷받침하는 독립적인 자료는 없다.

솔직히 요약하면, 이것들은 같은 제품의 두 버전이 아니다. 하나는 음성 시스템을 망가뜨리는 바로 그 텍스트에 유난히 뛰어난, 작고 관대한 라이선스가 적용된 일꾼이고, 다른 하나는 자체 캐스트를 사용할 때 리더보드에서 가장 좋은 소리를 내는 오픈 모델인, 크고 라이선스로 제한된 성능 엔진이다. 91점 차 리드는 실제다. 다만 그 리드는 대부분의 제품이 결코 던지지 않는 질문에 속할 뿐이다.