Fish Audio Drama 3 vs Inworld Realtime TTS-2: de ene leest een script voor, de andere volgt een gesprek

Het woord "Realtime" in Inworld Realtime TTS-2 is een claim over latentie, geen beschrijving van wat het model doet. Inworlds spraak-tot-spraakproduct voor livegesprekken staat als aparte regel op zijn eigen prijspagina; Realtime TTS-2 is een tekst-tot-spraakmodel dat snel genoeg is voor interactief gebruik. Dat onderscheid is belangrijk zodra je het naast Fish Audio Drama 3legt, dat voor de tegenovergestelde taak is gebouwd — een model met 35 miljard parameters dat volledig is ontworpen rond het idee dat je regieaanwijzingen in het script schrijft voordat er ook maar één regel wordt gesproken. Zet ze naast elkaar op Artificial Analysis en de tweedeling is ongewoon scherp: Drama 3 leidt de Provider Voice Arena met 11 punten, en Inworld leidt de Controlled Voice Arena met 61. De richting van dat verschil zegt meer over waarvoor elk van de twee dient, dan elk van de getallen op zichzelf.

Twee producten die nooit op hetzelfde gericht waren

Inworld Realtime TTS-2 begon als onderzoekspreview op 2026-05-05 en werd algemeen beschikbaar op 2026-09-02. De pitch bij GA was niet getrouwheid: het was dat het model de eerdere beurten van een gesprek, als audio, neemt en redeneert over toon en tempo voordat het beslist hoe de volgende regel moet klinken. Dat is een functie voor conversatieagenten. Een supportbot die net een gefrustreerde klant heeft gehoord, heeft geen regieaanwijzing nodig — hij moet die afleiden uit wat er net is gezegd.

Fish Audio Drama 3, gepubliceerd op 2026-10-13, gaat de andere kant op. Elke mogelijkheid die het adverteert, draait om expliciet auteurschap: richtlijnen tussen vierkante haken vóór de frase waarop ze van toepassing zijn, geluids- en pauzegebeurtenissen midden in de regel, gepaarde tags die alleen de omsloten woorden veranderen (whisper, emphasis, soft, fast, slow, stress, forceful), fonemen vastpinnen voor de uitspraak, een taalschakeltag voor één enkele frase, richtlijnen geschreven in een andere taal dan het script, en meersprekerdialoog in één verzoek via een reference_id-array met spreker-tags per beurt. Niets in die lijst is uit de context af te leiden. Het is allemaal iets wat een schrijver typt.

De eerlijke framing is dus niet ‘welke is beter’, maar ‘welke vorm van falen je niet kunt tolereren’. Een dramapipeline die een scène met twaalf personages en emotionele continuïteit moet renderen, redt dat niet met een model dat is ontworpen om toon uit een chatgeschiedenis af te leiden. Een spraakagent die binnen minder dan een seconde moet antwoorden, redt dat niet met een model dat een regieaanwijzing en 48 GB VRAM wil. De overlap waar beide echt levensvatbaar zijn, is smal: gescripte, hoogwaardige vertelling die via een API wordt aangeboden voor interactieve content — previews van audioboeken, vooraf gerenderde NPC-barks, marketing-VO die volgens een schema opnieuw moet worden gegenereerd.

De planken, in de juiste volgorde gelezen.

Beide onderstaande cijfers zijn op 2026-10-29 afgelezen van Artificial Analysis:

• Provider Voice Arena — Fish Audio Drama 3 staat op rang 6 met 1.278 en een op de ranglijst geregistreerde prijs van $15,00 per miljoen tekens; Inworld Realtime TTS-2 staat op rang 8 met 1.267 en $20,80. Inworld Realtime TTS-2 Flash staat op rang 19 op de gecontroleerde ranglijst met 1.065.

• Controlled Voice Arena — Fish Audio Drama 3 op rang 12 met 1.085; Inworld Realtime TTS-2 op rang 7 met 1.146. Hier ligt Inworld 61 punten voor.

• De asymmetrie — de 11-punts voorsprong van Drama 3 als aanbieder krimpt en keert om zodra de vergelijking wordt uitgevoerd op identieke referentiestemmen in plaats van op de eigen catalogus van elke aanbieder. De voorsprong van Drama 3 is grotendeels een voorsprong onder de stemmen die Fish Audio levert; die van Inworld is dat niet.

• De andere asymmetrie — Inworlds twee entries staan ver uiteen op de ranglijst, het flagship op 1.146 en Flash op 1.065, een gat van 81 punten tussen tiers binnen dezelfde familie. Drama 3 heeft geen tier onder zich; je krijgt het 35B-model of je gebruikt iets anders.

Dit is het tegenovergestelde patroon van dezelfde twee boards onder Google Gemini 3.8 Flash TTS, waar het gesloten model won op providerstemmen en verloor op de gecontroleerde board. Geen van beide patronen is ruis; beide herinneren eraan dat een enkele arenascore de bundel van model plus stemmenbibliotheek beschrijft, en alleen de gecontroleerde board isoleert het model.

Contextbewustzijn versus richting, concreet

De GA-aankondiging voor Inworld Realtime TTS-2 beschrijft een model dat gespreksgeschiedenis leest — eerdere beurten als audio — en die gebruikt om tempo en toon vorm te geven. Dat is een leveranciersclaim, geen onafhankelijk gescoord vermogen, en de arena's van Artificial Analysis testen dat niet; zij testen afzonderlijke regels tegen referentiestemmen. De functie die Inworld feitelijk verkoopt, is dus degene die momenteel door geen enkele openbare benchmark wordt gemeten. Beschouw de claim als veelbelovend en ongetest, en test hem aan de hand van je eigen dialoog, niet aan de hand van een ranglijst.

De regiemogelijkheden van Drama 3 zijn meetbaar in de beperkte zin dat je de output ziet veranderen wanneer je een bracket wijzigt, en Fish Audio documenteert elk daarvan met voorbeeldaudio. De functie die geen enkele concurrent in deze vergelijking biedt, is de taalonafhankelijke regieaanwijzing: een aanwijzing in het Chinees vóór een Engelse regel, gedocumenteerd en gedemonstreerd. Voor een internationaal postproductieteam is dat een operationele doorbraak eerder dan een nice-to-have, en het is precies het soort ding dat binnen een uur in een pilot opduikt.

De praktische test voor een team dat tussen beide kiest, is één pagina van jullie eigen dialoog. Render die met de gesprekscontext van Inworld ingesteld zoals die in productie zou zijn, en render die met Drama 3 en expliciete aanwijzingen. Welke versie minder regels oplevert die je handmatig moet corrigeren, is het antwoord, en het antwoord zal anders zijn voor een chatagent dan voor een hoorspel.

Klonen, latentie en de cijfers waarop u kunt rekenen

Inworlds instant-stemklonen accepteert 5 tot 15 seconden referentie-audio, en de bèta voor professioneel klonen gebruikt ongeveer 10 minuten audio voor een clone met hogere getrouwheid. Dat zijn leverancierscijfers, en ze zijn concreet genoeg om te testen. Het klonen van Fish Audio valt onder hetzelfde creditsysteem als generatie, en Drama 3 gebruikt bij abonnementen dezelfde credits als S2.1 Pro — maar de licentie is het deel dat verschilt, omdat de communitylicentie van Fish Audio expliciet het klonen van de stem van een echt persoon zonder toestemming verbiedt, terwijl de voorwaarden van Inworld de gewone API-voorwaarden zijn.

Latency is het punt waarop Inworld duidelijk de juiste tool is, en de vergelijking mag niet net doen alsof dat niet zo is. Realtime TTS-2 en zijn Flash-tier zijn gebouwd voor interactieve producten, waarbij de Flash-tier 40% goedkoper is dan het topmodel, precies voor de workloads die dat nodig hebben. Het gepubliceerde snelheidscijfer van Fish Audio voor Drama 3 is 271 frames per seconde op een enkele H200 tegenover 177 voor S2 — een doorvoercijfer voor batchrendering, geen time-to-first-byte voor een live stream. Als je eis is "de stem moet binnen een gespreksbeurt beginnen", dan zit je in Inworlds product, en geen enkele 11-punts voorsprong van Drama 3 als aanbieder verandert daar iets aan.

Prijs, tegen het tarief dat u daadwerkelijk zult betalen

Inworld Realtime TTS-2 kost $25,00 per miljoen tekens on-demand, met een stap naar $20,00 op het $25 Creator-plan, $17,50 bij Builder, $15,00 bij Developer en $12,50 bij Growth, waarbij Flash on-demand $15,00 kost en bij Growth naar $7,00 daalt. Fish Audio Drama 3 kost $50,00 per miljoen UTF-8-bytes op listprijs en $10,00 tijdens de introductiepromotie tot en met 2026-11-12 09:00 PT. Voor een Engels script van 100.000 tekens is dat $2,50 tegen Inworlds on-demand tarief versus $5,00 voor Drama 3 op listprijs, of $1,00 tijdens de promotie.

Drie kanttekeningen horen in die berekening zelf thuis, niet eronder. Drama 3 rekent per UTF-8-byte af, dus een CJK-script kost een veelvoud van wat een Engels script kost bij hetzelfde aantal tekens, terwijl het tekentarief van Inworld gelijk blijft. De regiehaakjes van Drama 3 worden als invoertekst gefactureerd, wat een opslag van 10-25% betekent bij een script met veel regieaanwijzingen — precies de scripts waarvoor je het model nodig hebt. En de fallback van Fish Audio is geruisloos: een aanvraag waarvan de modelheader ontbreekt of niet exact overeenkomt, wordt uitgevoerd en gefactureerd als s2.1-pro tegen $15.00 per miljoen bytes, in plaats van te worden afgewezen.

De vergelijking die alle drie de kanttekeningen overleeft, is korter dan de prijstabellen suggereren. Op de lijstprijs is Inworld per Engels karakter ongeveer de helft van Drama 3 en beter dan Drama 3 bij gecontroleerde stemmen. Tijdens de promotie is Drama 3 een derde van de prijs van Inworld. Wie alleen op prijs afgaat, maakt een keuze voor een datum, niet voor een product.

Geen van beide staat in onze catalogus, en wat dat verandert

Fish Audio Drama 3 en Inworld Realtime TTS-2 worden beide bereikt via de API's van hun eigen leveranciers en platforms van derden; geen van beide is een van de modellen op OrcaRouter, en het routeringsargument hier gaat over de rest van de stack en niet over deze twee. Een spraakproduct roept zelden alleen een spraakmodel aan en niets anders — het roept een LLM aan voor de tekstregel, een spraakmodel voor de audio, soms een tweede spraakmodel voor een ander segment, en het heeft een deadline. Het consolideren van de niet-spraakhelft achter één sleutel tegen de lijstprijs van de provider, zonder toeslag, met automatische failover, zodat één hapering bij de upstream de render niet blokkeert, is wat de spraakkeuze een configuratiebeslissing houdt en niet een architectuurbeslissing.

Waar de routing-DSL in deze specifieke combinatie zijn waarde bewijst, is de gemengde pipeline: vooraf gerenderde dramatische regels via Drama 3 en live conversationele turns via Inworld, aangesproken als twee routes op één key, waarbij de keuze per segment wordt gemaakt. Model fusion dekt het geval waarin je geen keuze kunt maken — render dezelfde regel via beide, scoor die tegen een referentie en behoud de winnaar. Geen van beide is een manier om de prijs van een van beide leveranciers te omzeilen. Ze zijn een manier om te voorkomen dat je twee integraties moet onderhouden om een regel in een configbestand te besparen.

Voor een lezer die moet kiezen: Inworld Realtime TTS-2 als de spraak moet reageren op een gesprek, als latentie de beperkende factor is, als je een Flash-tier wilt om volume op te vangen, en als een gesloten API acceptabel is. Fish Audio Drama 3 als de spraak vooraf is geschreven en niet reactief is, als de uitspraak van namen en codes betrouwbaar moet zijn, als de regie moet worden opgeschreven, als je de gewichten wilt, of als de briefing in een andere taal dan het script wordt geschreven. De voorsprong van 11 punten van de provider is het minst belangrijke getal in die lijst; het gecontroleerde tekort van 61 punten is het getal dat je tegen je eigen referentiestemmen moet controleren voordat je je vastlegt.