Fish Audio Drama 3 vs VoxCPM2: Een ranglijst tegen een datasheet

Fish Audio Drama 3 heeft een Elo en VoxCPM2 niet, waardoor de voor de hand liggende vergelijking tussen beide onmogelijk wordt en de interessante vergelijking makkelijk te missen is. Drama 3, aangekondigd op 13 oktober 2026 en sindsdien door Artificial Analysis beoordeeld, staat op de zesde plaats van 100 in de Provider Voice Arena met 1.278. VoxCPM2 staat op geen van de spraakboards van Artificial Analysis en ontbreekt in beide arena's die op deze pagina worden genoemd. Wat beide labs wel publiceren, is Seed-TTS-eval, en daar zeggen de cijfers iets wat een enkele ranglijst niet kon zeggen: in de eigen run van elke leverancier heeft Drama 3 twee runs nodig om die van VoxCPM2 te verslaan. De keuze tussen deze twee modellen gaat niet echt over kwaliteit. Het gaat erom of je een performance-engine wilt die je per teken huurt, of een model van twee miljard parameters dat je zelf kunt vasthouden.

De ene heeft een Elo, de andere een datasheet.

De asymmetrie is het vermelden waard in alle duidelijkheid, omdat de meeste vergelijkingspagina's ze stilletjes verdoezelen. Drama 3 staat op elke ranglijst die ertoe doet: zesde van 100 in de Provider Voice Arena met 1.278, twaalfde van 49 in de Controlled Voice Arena met 1.085, gedeeld eerste van 31 op het gebied van robuustheid van Engelse uitspraak met 93,2%. VoxCPM2 staat op geen daarvan.

Die afwezigheid is geen schandaal, en ze is niet nieuw. VoxCPM2 is al sinds het voorjaar van 2026 beschikbaar — de documentatie van het project plaatst de 2.0-lijn in maart, de repository tagt hem als 2026.04, en het technische rapport verscheen in juni als arXiv:2606.06928 — en in al die tijd heeft niemand het in een blinde luisterarena ondergebracht. De waarschijnlijkste verklaring is saai: arena-plekken worden meestal gevuld door leveranciers die een gehost endpoint hebben om te promoten, en OpenBMB verkoopt er geen. VoxCPM2 levert gewichten op Hugging Face en ModelScope en een OpenAI-compatibele /v1/audio/speech-server via vLLM-Omni, en dat is het hele distributieverhaal.

De eerlijke positie is dus deze: we kunnen Drama 3 tegen een score vergelijken, of we kunnen de twee modellen met elkaar vergelijken. We kunnen niet beide tegelijk doen, en elke pagina die een Elo voor VoxCPM2 versus Drama 3 presenteert, verzint er een.

De ene as die ze beide publiceren

Seed-TTS-eval is het dichtst dat dit veld bij een gemeenschappelijke meetlat komt, en beide labs rapporteren erover. Het addertje onder het gras is dat geen van beide een volledige tabel in hetzelfde formaat publiceert, dus wat volgt is twee leveranciers die zichzelf meten.

• Engels woordfoutpercentage — Drama 3 meldt 1,54% voor een laatste opname en 2,20% voor zijn eerste opname; VoxCPM2 meldt 1,84% in één enkele doorgang. De voltooide opname van Drama 3 is het beste van de drie getallen en zijn eerste opname is het slechtste.

• Foutpercentage voor Chinees — Drama 3 op 0,83% CER bij een laatste opname, 1,00% bij de eerste; VoxCPM2 op 0,97% CER. Hetzelfde patroon, waarbij de laatste opname van Drama 3 voorloopt en de eerste ongeveer gelijk presteert.

• Stemgelijkenis — Drama 3 rapporteert 0,640 voor Engels (een schaal van 0–1); VoxCPM2 rapporteert 75,3 voor Engels en 79,5 voor Chinees, wat volgens de 0–100-conventie die elders in zijn rapport wordt gebruikt 0,753 en 0,795 is. VoxCPM2 is de sterkere cloner op basis van zijn eigen cijfers.

• Bredere stresstest — VoxCPM2 publiceert ook CV3-eval-foutpercentages voor elf talen (3,65% zh, 5,00% en, 8,55% hard-zh, 9,85% fr, 4,25% it, 5,21% ru) en een intern gemiddelde over 30 talen van 1,68%. Drama 3 publiceert geen gelijkwaardige fouttabel per taal, dus er is niets om naast te zetten.

Neem het verschil in sprekergelijkenis serieus en het verschil in woordfoutpercentage licht. Sprekergelijkenis is de metriek die het waarschijnlijkst een verschil in testopstelling overleeft, omdat het een cosinusafstand is tussen embeddings van dezelfde referentie-audio. Woordfoutpercentages hangen af van normalisatie, tekstvoorbewerking en welke referentiefragmenten zijn gebruikt, en de twee labs hoefden het over geen van die punten eens te zijn. De richting is geloofwaardig — VoxCPM2 kloont getrouwer, Drama 3 transcribeert na herziening nauwkeuriger — maar de omvang ervan is geen meting.

De herzieningsbelasting die niemand in de kop vermeldt

1,54% en 2,20% zijn hetzelfde model op dezelfde test; het enige verschil is of de take de eerste keer werd geaccepteerd. Het technische rapport van Fish Audio is opmerkelijk eerlijk hierover: het vermeldt beide, omdat revisie over meerdere takes nu eenmaal het product is. De belofte is dat je een regel in gewone taal regisseert, luistert, bijstuurt en de take behoudt die je wilt — en de benchmark weerspiegelt die behouden take.

Als zo uw pipeline werkt, is 1,54% het getal dat u ziet. Als u een enkele pass streamt naar een live call, een regel speldialoog of een batch-render zonder menselijke interventie, dan koopt u de 2,20% — slechter dan VoxCPM2's single-pass van 1,84%. Die inversie is het nuttigste feit in deze vergelijking en het punt dat geen van beide leverancierstarellen duidelijk maakt. Het prijst ook de workflow: elke extra take is weer een volledige synthese, en Drama 3 factureert per inputkarakter, dus een gewoonte van drie takes verdrievoudigt de factuur.

VoxCPM2 heeft geen revisiemechanisme van deze soort. Het biedt vier generatiemodi — zero-shot, voortzetting, alleen referentie, en gecombineerde referentie plus promptaudio — en zijn antwoord op een slechte take is opnieuw renderen met andere stijltags. Goedkoper per poging, omdat je niet per teken betaalt, maar zonder geheugen op modelniveau van de afgewezen take.

De hardwareondergrens is de daadwerkelijke beslissing.

Dit is het punt waarop de twee modellen geen substituten meer zijn.

• VoxCPM2-voetafdruk — ongeveer 8 GB VRAM, een realtimefactor van circa 0,30 op een RTX 4090 en 0,13 met Nano-VLLM; het project meldt ook 1,76 bij Q8_0 op een Apple M4 Pro via llama.cpp-omni. Het draait op een workstation.

• Drama 3-voetafdruk — Fish Audio publiceert geen VRAM-minimum. Zijn doorvoertabel werd gemeten op H200's: 166,7 frames per seconde en een mediane first-audio van 88,9 ms bij één gelijktijdige stream, 927,6 frames/s bij zestien, 1.687 frames/s bij vierenzestig, met een RTF van 0,131 bij de instelling met één stream. Recensenten schatten de bf16-vereiste op een 48 GB-kaart, en 4-bit builds uit de community claimen grofweg 32 GB. Het draait op een server of op die van iemand anders.

• Voorbehoud bij de doorvoer — het lanceringbericht noemt 271 frames per seconde vanaf een enkele H200, terwijl de streamingtabel van de modelkaart bij één request niet boven 166.7 uitkomt. Beide kunnen waar zijn bij verschillende meetopstellingen, maar het betekent dat het snelheidscijfer uit de titel niet het cijfer is dat je loadtest zal reproduceren.

De berekening is als volgt. Een miljoen tekens is grofweg vijftien tot twintig uur voltooide spraak bij een normaal verteltempo. Op een 4090 met een RTF van 0,30 is dat vijf tot zes uur GPU-tijd; bij de API van Fish Audio is het US$10 tijdens de lanceringspromotie en US$50 nadat deze op 12 november eindigt. Zelfhosting van VoxCPM2 is goedkoper per uur audio en veel goedkoper per uur experimenteren — je kunt een middag lang aan een stemontwerp itereren zonder de meter in de gaten te houden.

Routing maakt die keuze niet ongedaan, dus het loont om precies te zijn over wat het doet. OrcaRouter host geen van beide modellen; Drama 3 is beschikbaar via de eigen API van Fish Audio en verschillende platforms van derden, en VoxCPM2 is beschikbaar als gewichten die je zelf serveert. Wat wij wel aanbieden is het spraakgedeelte van de pipeline eromheen — de TTS-lijn van Gemini en OpenAI's TTS-1-HD, met automatische failover tussen aanbieders, zodat een gehoste endpoint die ongezond wordt het product niet mee naar beneden neemt. Als de vraag is "welke van deze twee draai ik", dan wordt het antwoord bepaald door VRAM, niet door routing.

Een voorstelling regisseren versus een stem ontwerpen

De twee modellen zijn het oneens over waar het creatieve werk plaatsvindt, en dat meningsverschil is architectonisch van aard, niet cosmetisch.

Drama 3 is een regisseurstool. Je schrijft instructies tussen vierkante haken vóór de woorden waarop ze betrekking hebben — [met een brok in de keel, zachtjes huilend] — en wijzig je ze midden in de zin. Gepaarde tags beperken een regieaanwijzing tot specifieke woorden: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Uitspraak kan foneem voor foneem worden vastgepind met CMU Arpabet, pinyin of romaji, en scènes nemen één voice-ID per spreker op als een array. Meerdere takes kunnen worden herzien met verwijzing naar eerdere takes, en inpainting op woordniveau rendert een enkel gemarkeerd woord opnieuw zodat het past in de take eromheen — hoewel zowel interactieve bewerking als inpainting nog steeds in een besloten testfase zitten, waarbij een editing-API als aanstaande staat vermeld.

VoxCPM2 is een ontwerptool. De belangrijkste functie is Voice Design: beschrijf een spreker in natuurlijke taal en krijg een stem zonder enige referentieboodschap. Daarnaast doet het zero-shot cloning, voortzetting vanaf een prompt, reference-only cloning met een geïsoleerd referentie kanaal (zodat je niet de transcriptie nodig heb die overeenkomt met het fragment), en stijlcontrole via tags. De beperking is de scope: het vormt een stem en een levering, niet een scène. Er is geen speaker-array syntax, geen multi-character dialoogmodus, geen word-level repair.

Voor een hoorspel met twee personages is dat verschil doorslaggevend, nog voor welke benchmark dan ook. Voor een product dat één consistente merkstem nodig heeft voor een hele catalogus, is de ontwerpmodus van VoxCPM2 de kortste weg, en is de regie-syntaxis van Drama 3 grotendeels overbodige ballast.

Samplefrequentie, talen en het codec-argument

• Uitvoer — VoxCPM2 levert 48 kHz via een asymmetrische AudioVAE V2 die codeert op 16 kHz en decodeert op 48 kHz; Drama 3 blijft op 44,1 kHz en genereert via een Descript Audio Codec met tien codebooks op ongeveer 21,5 frames per seconde. De extra 3,9 kHz van VoxCPM2 is reëel, maar zelden hoorbaar naast een gecomprimeerd distributieformaat.

• Architectuur — VoxCPM2 is naar ontwerp tokenizer-vrij: het voorspelt continue latents rechtstreeks op een MiniCPM-4-backbone en stelt dat de audiocodec de bottleneck is; {{1}}Drama 3{{/1}} behoudt discrete tokens en besteedt zijn {{2}}35B{{/2}} aan een codebook-multi-token-prediction-decoder die de negen residuele codebooks voorspelt na de eerste twee. Twee weddenschappen op waar het kwaliteitsplafond ligt.

• Talen — 83 geclaimd voor Drama 3, tegenover 30 voor VoxCPM2, plus negen Chinese dialecten (Sichuanees, Kantonees, Wu, Noordoost-Chinees, Henan, Shaanxi, Shandong, Tianjin, Minnan). Als je Thai, Vietnamees, Hebreeuws en Swahili nodig heb, heeft VoxCPM2 alle vier en is Drama 3 bij geen enkele daarvan duidelijk beter; als je 83 nodig heb, komt slechts één van deze in aanmerking.

• Trainingsgegevens — VoxCPM2 werd getraind op 2,36 miljoen uur spraak (1,8 mln. uur Chinees en Engels plus 560 duizend uur meertalig), een cijfer dat in zijn documentatie exact wordt genoemd. Fish Audio publiceert geen equivalent, wat niet zozeer een kritiekpunt is als wel nog een punt waarop de twee papers niet bedoeld zijn om met elkaar vergeleken te worden.

De licentie: het enige punt waarop VoxCPM2 duidelijk wint

VoxCPM2 is Apache 2.0. Elk bedrijf, ongeacht de omzet, kan het inbedden, aanpassen, fine-tunen, opnieuw distribueren en de output verkopen, zonder enige omzetgrens en zonder onderhandelingen. LoRA- en SFT-fine-tuning worden ondersteund en gedocumenteerd.

Drama 3 valt onder de Fish Audio Community License v1.0: gratis voor onderzoek en niet-commercieel werk, gratis voor commercieel gebruik zolang u en uw gelieerde entiteiten onder US$ 500.000 jaarlijkse omzet blijven, en daarboven een onderhandelde licentie — of bij elke omvang als u Drama 3 wilt aanbieden als TTS-, stemklonings- of inferentiedienst. Definitieve audio voor klanten is expliciet toegestaan bij elke omzet; een concurrerende synthese-API niet. Artificial Analysis noemt het "open weights without commercial-use rights", wat een eerlijke samenvatting in één regel van de beperking is.

Er is ook een detail dat je beter kunt controleren dan vertrouwen: de Hugging Face-metadata voor fishaudio/drama-3 vermeldt nog steeds fish-audio-research-license, terwijl de tekst op de kaart de Community License beschrijft. Lees het licentiebestand in het repository voordat je een product op de tag bouwt.

Voor een bedrijf met financiering dat een spraakfunctie uitbrengt, is dat de hele vergelijking in één regel: VoxCPM2 kost je niets aan juridische beoordeling, Drama 3 kost je een gesprek met een verkoopteam.

Kies op basis van beperking, niet op basis van score

Je hebt één GPU en een product dat de deur uit moet. VoxCPM2. Acht gigabyte, Apache 2.0, 48 kHz, en een modus voor stemontwerp die je al op de eerste middag een bruikbare merkstem oplevert. Je geeft scèneregie en de beste provider-stemscore in de categorie op.

Je produceert gescripte audio met een mens in de lus.Drama 3. Regieaanwijzingen tussen vierkante haken, tags met bereik, verschuivingen midden in de zin en reparatie op woordniveau komen bij open weights het dichtst in de buurt van een opnamesessie, en de Engelse WER van 1,54% is wat de revisielus oplevert. Houd rekening met de prijswijziging van 12 november en lees eerst de serviceclausule.

Je hebt een taal buiten de dertig nodig.Drama 3, of geen van beide — maar controleer de specifieke taal aan de hand van Fish Audio's eigen claims over dekking, niet aan de hand van de "83" op de verpakking.

Je kloont de stem van een specifiek persoon op schaal. VoxCPM2's sprekerovereenkomst is het beste cijfer op deze pagina, en zijn geïsoleerde referentiekanaal betekent dat je kunt klonen vanaf een fragment zonder bijpassend transcript. Het voordeel van Drama 3 is regie, niet getrouwheid aan een referentie.

Het enige wat je niet moet doen, is ze rangschikken. Er is geen gedeelde arena, geen gedeelde studie naar menselijke voorkeuren en geen gedeelde fouttestomgeving — alleen één model met een Elo en één met een datasheet, en een beslissing die afhangt van welke hardware je bezit en wat de licentie je ermee laat doen.