Fish Audio Live 3 vs Drama 3: 한 모델은 대본을 읽고, 다른 모델은 현장의 소리를 듣는다

Fish Audio Live 3와 Fish Audio Drama 3는 같은 질문에 대한 두 가지 답이 아니며, 이 둘을 경쟁 제품으로 취급하는 것은 잘못된 제품을 사는 가장 빠른 길이다. Fish Audio가 2026-10-13에 공개한 Drama 3는 텍스트 음성 변환 모델이다. 단어와 연기 지시를 주면 오디오를 반환한다. 2026-11-10에 발표된 Live 3는 에이전트 통화용 양방향 음성 모델이다. 말하면서 동시에 듣고, 침묵이 "계속하라"는 뜻인지 "끝났다"는 뜻인지 판단하며, Fish Audio에 따르면 186밀리초 만에 반응할 수 있다. 하나는 렌더러이고, 다른 하나는 대화 상대자다.

혼란스러운 것은 이해할 수 있습니다. 둘 다 Fish Audio 모델이고, 둘 다 최근에 나왔으며, 둘 다 다른 Fish Audio 모델이 잘하지 못했던 무엇인가를 잘한다는 점을 내세워 판매되기 때문입니다. 하지만 이 둘은 음성 스택의 서로 다른 계층에 있고, 별도로 문서화되어 있으며, Fish Audio의 공개 요금표에는 둘 중 하나만 나와 있습니다. 따라서 유용한 비교는 어느 쪽이 더 나은가가 아니라, 각각이 실제로 어떤 작업을 위한 것인지, 그리고 하나의 제품 안에서 두 모델이 어디에서 만나는지입니다.

각 모델이 문서에 명시된 대로 수행하는 작업

Drama 3는 텍스트 음성 변환 모델이며, 이에 대한 공개적 증거는 대화 차례 주고받기보다는 선호도와 발음입니다. Artificial Analysis의 Provider Voice Arena에서는 Elo 1,278로 6위이고, 모든 모델이 동일한 참조 음성과 비교 평가되는 Controlled Voice Arena에서는 1,085로 12위입니다. 두 순위표 모두에서 이 모델은 표에 있는 오픈 웨이트 모델 중 가장 높은 순위이며, 10월에 언론의 주목을 받았던 이전 Drama 3 Preview 기록은 여전히 1,240과 1,063으로 별도 표시됩니다. English Pronunciation Robustness 벤치마크에서는 전체 93.2%를 기록해 Ming-3.0-tts와 함께 점수가 산출된 31개 모델 중 공동 1위였으며, 대표 점수보다 항목별 세부 분석이 더 중요합니다. 브랜드 및 기술명과 같은 단독 용어에서는 95.9%, 숫자와 날짜 같은 축약 표기의 확장에서는 93.6%, 코드와 경로 같은 정확한 연속열 보존에서는 86.3%, 문맥에 맞는 발음에서는 95.3%입니다.

Live 3의 공개적 증거는 완전히 다른 형태입니다. Fish Audio의 발표는 렌더링보다 대화를 중심으로 구성되어 있으며, 세 가지 실제 예시는 모두 타이밍에 관한 것입니다.

• 전화번호를 여러 구간으로 나눠 읽는 경우 — "415… 555… 0132" — Live 3가 구간 사이에 "음-흠" 또는 "네, 415"라고 말한 뒤 나머지를 기다릴 수 있습니다.

• 상담원이 운영 시간을 읽어 주는 동안 발신자가 "네" 또는 "음"이라고 말해도, Live 3가 이를 방해로 처리하지 않고 계속 진행하는 경우.

• 말하는 도중에 주문을 수정하는 전화 건 사람 — "피자 두 판… 아니, 세 판. 큰 걸로 세 판. 그리고… 아, 그중 하나는 마르게리타로 해 주세요" — 이때 Live 3는 첫 번째 그럴듯하게 완결된 주문에 따라 행동하는 대신 각 수정이 이어지는 동안 기다립니다.

Fish Audio는 이 모델이 186밀리초 만에 응답하도록 결정할 수 있다고 밝히며, 완전한 답변보다는 "mm-hmm", "okay"와 같은 짧은 반응과 빠른 확인을 설명한다. 출시 시점에는 영어만 구사하며 Fish Agent Platform, Fish Audio의 API, 기업용 온프레미스에서 사용할 수 있다. 없는 것은 공개된 벤치마크도, 독립적인 점수도 — 2026-11-11 기준 Artificial Analysis에는 Live 3 듀플렉스 행이 없다 — Fish Audio의 요금표에 기재된 항목도 아니다.

가격 단위가 서로 다른 제품임을 알려 주는 이유

Fish Audio는 Drama 3 요금을 입력 텍스트의 UTF-8 바이트 기준으로 청구합니다. 정가는 100만 바이트당 $50.00이며, 2026-11-30까지 100만 바이트당 $10.00의 출시 프로모션이 진행됩니다. 회사 자체 문서에 따르면 UTF-8 100만 바이트는 약 180,000개의 영어 단어, 즉 약 12시간 분량의 음성에 해당합니다. 따라서 drama-3는 정가 기준 생성 오디오 1시간당 약 $4.17, 프로모션 기간에는 약 $0.83 수준이 됩니다. 이러한 단위가 존재하는 이유는 TTS에는 입력되는 텍스트의 양과 출력되는 오디오의 양을 알 수 있기 때문입니다.

Live 3는 그 유닛과 전혀 맞지 않으며, 요금표에도 없습니다. 양방향 에이전트 통화에는 고정된 스크립트가 없습니다. 입력 오디오는 발신자가 말하는 내용 그대로이고, 출력 오디오는 모델이 말하기로 선택한 만큼이며, 중요한 비용은 텍스트 바이트가 아니라 연결 시간(분)입니다. Fish Audio는 어떤 기준으로 과금할지 공개하지 않았기 때문에, 어떤 비용 비교에서든 Live 3 항목은 저렴한 것이 아니라 비어 있습니다.

두 모델이 공통으로 공유하는 것은 플랫폼입니다. 현재 공개 베타인 Fish Audio의 Agent Platform은 Live 3 에이전트를 호스팅하고 /v1/agent/* 아래에 JavaScript 및 React SDK, 웹 위젯·전화번호·사용자 지정 클라이언트용 채널, 세션 토큰 인증을 갖춘 REST 인터페이스를 제공합니다. 이 플랫폼의 커스텀 LLM 훅은 OpenAI 호환 엔드포인트를 가리키며, 바로 그 지점이 원하는 추론 계층을 넣는 접점입니다.

그들이 하나의 제품에서 만나는 곳

흥미로운 질문은 어느 모델이 이기는가가 아니라, 두 모델을 각각 잘하는 일에 사용할 때 하나의 제품이 어떤 모습을 갖추는가입니다. 예약 전화선은 실시간 통화에 Live 3가 필요합니다. 통화 중에는 멈춤과 정정이 일어나기 때문입니다. 같은 제품은 대화가 아닌 모든 작업에도 보통 Drama 3 또는 그와 유사한 모델이 필요합니다. 통화 후 다시 읽어 주는 확인 내용, 음성사서함 인사말, 아웃바운드 리마인더, 발신자를 해당 페이지로 안내한 마케팅 페이지의 장문 내레이션 등이 그렇습니다. 이러한 작업은 스크립트가 정해진 렌더 작업이며, Drama 3의 공개된 강점 — 청취자 선호도, 93.2%의 발음 정확도, 83개 언어, $500,000 수익 상한이 적용된 Fish Audio Community License v1.0에 따라 공개된 오픈 가중치 — 는 바로 렌더 작업에 필요한 강점입니다.

그 분리는 비용상의 결과를 분명히 말할 가치가 있습니다. 왜냐하면 바로 그 지점에서 라우팅 계층이 더 이상 추상화가 아니게 되기 때문입니다. Live 3 에이전트 뒤의 추론 계층은 OpenAI 프로토콜을 사용하는 어디든 가리킬 수 있습니다. OrcaRouter는 그 엔드포인트 뒤에 있으며 단일 키로 216개 모델, 공급자 정가에 마크업 제로 그리고 공급자 오류 시 자동 장애 조치를 제공하므로 에이전트 내부의 플래너를 음성 계층이나 전화번호를 건드리지 않고 교체할 수 있습니다. 라우팅 DSL은 어떤 종류의 통화를 어떤 모델이 처리할지 결정하고, 모델 융합을 통해 저렴한 모델이 도구 호출 초안을 작성하는 동안 더 강력한 모델이 실행 전에 이를 검증할 수 있습니다. OrcaRouter는 Fish Audio Live 3나 Drama 3를 호스팅하지 않습니다. 둘 다 타사 엔드포인트를 통해 사용할 수 없으며, 이 스택의 음성 계층은 Fish Audio에 남습니다. OrcaRouter가 호스팅하는 것은 음성 주변의 모든 것입니다.

실제로 필요한 것은 어느 것인가요?

출력물이 파일이라면 Drama 3이 필요합니다.내레이션, 오디오북, 광고, 캐릭터 보이스, 더빙, 접근성 낭독 — 사람이 글을 쓰고 청취자가 한 번에 완성도 있게 듣는 모든 경우 말입니다. 여기에는 선호도 점수, 발음 세부 분석, 지원 언어 수, 그리고 예측에 활용할 수 있는 공개된 바이트당 요금이 포함되어 있습니다. 또한 오픈 웨이트이므로 직접 실행해야 하는 경우에도 중요합니다.

Live 3이 필요합니다. 출력이 중단되는 상황을 견뎌야 하는 대화인 경우에 말입니다. 전화 상담원, 예약 접수 전화선, 주문 접수, 지원 문의 분류 — 발신자가 되받아 말하고, 실패 양상이 말을 덮어 말하는 것 또는 숫자열을 다시 말해야 하는 것인 모든 상황입니다. 여기에는 동작 방식에 대한 논거, 공급업체 지연 시간 하한, 플랫폼이 있으며, 아직 벤치마크나 가격은 없습니다.

아마 두 가지 모두 필요할 것입니다 데모가 아니라 음성 제품을 만들고 있다면 말이죠. 그리고 그 구분은 실시간과 렌더링 사이의 경계를 따릅니다. 피해야 할 실수는 하나를 골라 다른 하나의 역할을 하게 하는 것입니다. TTS 모델은 언제 말을 멈춰야 하는지 결정할 수 없고, 듀플렉스 에이전트 모델은 음성사서함 인사말을 만드는 데 있어 비싸고 평가되지 않은 방법입니다. Fish Audio는 둘 다 판매하며, 가격 책정 단위는 의도적으로 다르고, 이 둘을 하나의 제품으로 취급하는 로드맵은 첫 달부터 자사 비용을 잘못 예측하게 될 것입니다.