AssemblyAI-TTS-1 vs Fish Audio Drama 3: przycisk płatności kontra pobieranie 41,5 GB

Pierwszą rzeczą, którą trzeba zrozumieć w przypadku AssemblyAI-TTS-1 w porównaniu z Fish Audio Drama 3, jest fakt, że jeden z nich jest plikiem. Drama 3, wydany 13 października 2026 r., to model mowy typu mixture-of-experts o 35 miliardach parametrów, opublikowany na Hugging Face jako fishaudio/drama-3 — około 41,5 GB wag, nie licząc kodeka, i około 48 GB VRAM, aby obsłużyć go w FP8. AssemblyAI-TTS-1, ogólnie dostępny od 27 października 2026 r. w cenie 15 USD za milion znaków, to punkt końcowy HTTPS w regionie US-East lub EU-North, który odpowiada w czasie poniżej jednej dziesiątej sekundy i nie wymaga od użytkownika niczego poza tekstem. Każde porównanie między nimi, które zaczyna się od wyników Elo, zaczyna się w niewłaściwym miejscu, ponieważ te dwa produkty oddziela decyzja operacyjna, zanim oddziela je decyzja dotycząca jakości.

Co można kupić za 15 dolarów i co można kupić za 41,5 gigabajta

Stronę AssemblyAI-TTS-1 można opisać krótko. Stała opłata 15 USD za milion znaków wejściowych obejmuje wszystkie ponad 4000 głosów z biblioteki, natychmiastowe klonowanie z 24-sekundowej próbki, znaczniki czasu słów, sześć języków na start (angielski, hiszpański, francuski, niemiecki, włoski, portugalski), przetwarzanie w USA lub UE, punkty końcowe WebSocket i HTTP oraz trasę zgodną z OpenAI, komunikat anulowania dla barge-in i nieograniczoną współbieżność bez dodatkowych opłat. Brak SSML, brak parametru prędkości, brak słownika wymowy, brak tagów emocji, brak profesjonalnego poziomu klonowania.

Drama 3 to zupełnie inna forma produktu. Jest to model 35B MoE z około 3 miliardami parametrów aktywnych na token, zainicjalizowany na podstawie Qwen3.5-35B-A3B, z 40 warstwami, 8 z 256 ekspertów routowanych oraz jednym współdzielonym — dlatego potrafi brzmieć ekspresyjnie i wciąż mieścić się na pojedynczym akceleratorze. Obejmuje 83 języki, klonuje głosy, obsługuje do 16 mówców w jednym przebiegu i przyjmuje ujęte w nawiasach wskazówki sceniczne w języku naturalnym, takie jak [wzdycha], na które model reaguje. Według karty modelu Fish jest też zbudowany z myślą o reżyserowanym wykonaniu: dubbingu, narracji, scen z wieloma postaciami. Pętla telefoniczna poniżej 100 ms nie jest tym, do czego został dostrojony.

Ta różnica nie jest przytykiem do żadnego z nich. To właśnie dlatego to starcie w ogóle istnieje: Drama 3 to jedyny model w tej serii, który możesz mieć na własność, a AssemblyAI-TTS-1 to jedyny w tej serii, który możesz jeszcze dziś po południu postawić przed osobą dzwoniącą, nie kupując GPU.

Prawdziwym argumentem jest matematyka współbieżności.

Obaj dostawcy podają wartość opóźnienia, a żadna z tych wartości nie jest bezpośrednio porównywalna, więc poniższe należy traktować jako dwa odrębne twierdzenia, a nie bezpośrednie porównanie.

• Drama 3, karta modelu dostawcy — mediana czasu do pierwszego dźwięku 88,9 ms przy pojedynczym strumieniu na jednym H200, współczynnik czasu rzeczywistego 0,131, 271 klatek na sekundę. Wsparcie dla serwowania pojawiło się w ciągu kilku dni od wydania, a ten sam sprzęt osiąga medianę 255 ms czasu do pierwszego dźwięku przy 128 równoczesnych strumieniach, czyli około 222 sekund dźwięku na sekundę czasu rzeczywistego.

• AssemblyAI-TTS-1, laboratorium dostawcy — 47 ms mediany czasu do pierwszego bajtu; niezależnie zmierzone przez Cekura: 159 ms mediany czasu rozpoczęcia strumieniowania i 296 ms przy p90, przy przepustowości 162 znaków na sekundę w pomiarze Artificial Analysis.

Spójrz, co dzieje się z wynikiem Drama 3 wraz ze wzrostem obciążenia: 88,9 ms w pojedynczym strumieniu, 255 ms przy 128 strumieniach. To doskonała krzywa dla potoku dubbingu i marginalna dla call center, gdzie każda milisekunda, zanim dzwoniący coś usłyszy, jest milisekundą martwej ciszy. Kontrargument AssemblyAI to nie szybsza liczba, ale brak krzywej — nieograniczona współbieżność przy jednej stałej stawce, ponieważ problem planowania należy do dostawcy i nigdy go nie widzisz. Czy ta obietnica przetrwa zderzenie z Twoim własnym ruchem, to właśnie rzecz do przetestowania, ponieważ twierdzenie o nieograniczonej współbieżności bez opublikowanego zachowania kolejkowania jest twierdzeniem o cudzym klastrze.

Dwa rachunki, które nie są w tych samych jednostkach

Fish podaje Drama 3 w cenie 50,00 USD za milion bajtów UTF-8, co — zgodnie z dokumentacją samego dostawcy — odpowiada około dwunastu godzinom mowy, czyli około 4,17 USD za godzinę dźwięku. Trwa promocja premierowa w cenie 10,00 USD za milion bajtów, około 0,83 USD za godzinę, do 12 listopada 2026 r. AssemblyAI-TTS-1 w cenie 15 USD za milion znaków daje około 0,81 USD za godzinę mowy, przy tym samym korzystnym założeniu około 900 znaków na minutę typowego dźwięku konwersacyjnego.

Zatem w trakcie promocji oba kosztują niemal tyle samo — różnica mieści się w granicach błędu zaokrąglenia — a w cenie katalogowej Fish jest około pięć razy droższy w przeliczeniu na godzinę generowania wyników, i to jeszcze przed zakupem H200. Samodzielne hostowanie nie usuwa kosztu — zamienia opłatę za znak na opłatę za godzinę GPU plus osobę, która potrafi to obsługiwać.

Warto wymienić dwie pułapki, ponieważ łatwo w nie wpaść.

• Znaki to nie bajty. Fish rozlicza według bajtów UTF-8, AssemblyAI według znaków. Tekst angielski odpowiada w przybliżeniu jednemu bajtowi na znak, więc oba podejścia wydają się porównywalne; japoński, arabski czy pismo obfitujące w emoji zawyżają liczbę bajtów i po cichu podnoszą rachunek za Drama 3 o 30–100% przy tym samym scenariuszu.

• Brak nagłówka modelu nie powoduje głośnego błędu. Dokumentacja samego Fish wskazuje, że brakujący lub błędnie zapisany identyfikator modelu powoduje przejście do s2.1-pro po $15.00 za milion bajtów — 50% dopłaty względem promocyjnej stawki Drama 3, dla innego modelu, bez błędu w odpowiedzi.

Krąży jeszcze trzecia liczba i warto ją nazwać, bo spotkasz ją na liście rankingowej. Kolumna cen w Artificial Analysis odnotowuje Drama 3 na poziomie 15,0 USD za milion znaków, co nie zgadza się z 50 USD za milion bajtów u Fish ani z promocyjnymi 10 USD. Trzy liczby — cennikowa, promocyjna i znormalizowana na potrzeby rankingu — przy czym tylko dwie pierwsze pochodzą od dostawcy. Liczba z rankingu jest jednostką porównawczą, a nie wyceną.

Bramka licencyjna na dole wpisu

Drama 3 nie jest open source w rozumieniu, jakie zakłada większość zespołów. Jest udostępniany na licencji Fish Audio Community License v1.0: użycie komercyjne jest darmowe poniżej 500 000 USD rocznego przychodu, powyżej tej kwoty obowiązuje odrębna licencja, a odsprzedaż modelu jako hostowanego API TTS wymaga osobnej umowy niezależnie od skali. Artificial Analysis odnotowuje go jako open weights bez pełnych praw do użytku komercyjnego, co jest trafnym opisem.

AssemblyAI-TTS-1 nie ma takiej bariery, ponieważ nie ma wag — nie można go hostować samodzielnie, dostrajać ani kontynuować jego działania, jeśli dostawca zmieni cennik. To jest kompromis, którego nikt nie umieszcza w tabeli porównawczej: licencja Drama 3 ogranicza to, co można zrobić z modelem, a architektura AssemblyAI-TTS-1 ogranicza to, co można zrobić bez dostawcy.

Luka jakościowa, wyrażona raz

W Provider Voice Arena Artificial Analysis — odczyt z 30 października 2026 r., czyli ten sam przebieg dla obu — Drama 3 zajmuje szóste miejsce z wynikiem 1 278 Elo, a AssemblyAI-TTS-1 czternaste z 1 227. W Controlled Voice Arena Drama 3 plasuje się na dwunastym miejscu z wynikiem 1 085, a AssemblyAI-TTS-1 na dziesiątym z 1 110, co odwraca kolejność i pokazuje, że oba rankingi mierzą różne rzeczy: głosy bazowe w pierwszym, wierność klonowania względem stałego odniesienia w drugim. Drama 3 jest wyżej notowana z tej dwójki pod względem naturalności głosu, a gdy nagranie referencyjne pozostaje stałe, różnica między nimi mieści się w granicach szumu.

Liczba, która dzieli je najbardziej wyraźnie, to odporność wymowy, gdzie Drama 3 zdecydowanie prowadzi w zestawieniu — źródła podają ten wynik w przedziale od około 93% do 95% w zależności od momentu odczytania strony, więc traktuj ranking jako fakt, a cyfrę po przecinku jako ozdobę. AssemblyAI-TTS-1 uzyskuje 81,7% na tym samym narzędziu, zajmując szesnastą pozycję, a jego najsłabszy wynik cząstkowy dotyczy rozwijania skrótów i wynosi 73,8%. Jeśli twoje dane wejściowe są pełne skrótów, Drama 3 radzi sobie z nimi bez słownika. Jeśli twoje dane wejściowe to numer telefonu odczytywany na głos, niezależny test Cekury stawia AssemblyAI-TTS-1 na pierwszym miejscu w tej kategorii z wynikiem 91,7%.

Benchmarki żadnego z dostawców nie powinny być odczytywane jako niezależne. 99,0% dokładności słów, przewidywany MOS 3,85 i wynik TTSDS 85,5 w przypadku AssemblyAI pochodzą z jej własnego środowiska testowego, uruchomionego na własnych wydzielonych zbiorach; 88,9 ms i 271 klatek na sekundę w przypadku Fish pochodzą z jej własnej karty modelu. Pomiary zewnętrzne — Artificial Analysis, Cekura, Coval — to jedyne w tym artykule, które zostały wykonane przez kogoś, kto nie ma produktu do sprzedania.

Wybierz to, czym potrafisz zarządzać, a nie to, co zajmuje wyższą pozycję.

Istnieją dokładnie trzy sytuacje, w których Drama 3 jest właściwą odpowiedzią. Potrzebujesz ekspresyjnej, reżyserowanej interpretacji z didaskaliami i wieloma mówcami w jednym przebiegu — nie ma co dyskutować, AssemblyAI-TTS-1 nie ma odpowiednika. Potrzebujesz języka spoza sześciu, z którymi AssemblyAI wystartowało — 83 przeciw 6, i na tym porównanie się kończy. Albo potrzebujesz modelu na własnym sprzęcie ze względów związanych z rezydencją danych, których region dostawcy z USA lub UE nie spełnia — co stanowi realny wymóg dla niektórych obciążeń objętych regulacjami i jedyny, który uzasadnia użycie GPU.

Wszyscy inni kupują agenta telefonicznego, a agent telefoniczny chce stałego rachunku, braku kolejki za czyimś H200 i problemu z wymową, który może naprawić. AssemblyAI-TTS-1 daje ci pierwsze dwie rzeczy, a jeszcze nie daje trzeciej. Taka jest uczciwa postać rzeczy: Drama 3 to lepszy model i gorszy produkt do tego zadania.

Praktycznym kompromisem, na który zdecyduje się większość zespołów, będzie połączenie obu — Drama 3 do generowanego dźwięku publikowanego jako treść, AssemblyAI-TTS-1 do mowy w kolejnych turach w pętli na żywo, z jedną ścieżką awaryjną między nimi. Utrzymywanie podłączonego drugiego dostawcy TTS to ta sama dyscyplina, którą OrcaRouter stosuje do połowy tego stosu odpowiedzialnej za modele językowe: jeden API dla ponad 200 modeli w cenie katalogowej dostawcy z 0% marży, automatyczne przełączanie awaryjne, gdy dostawca zaczyna zawodzić, oraz DSL routingu, który pozwala jednemu punktowi końcowemu obsługiwać kilka modeli zamiast kilku umów. Żaden z tych dwóch modeli mowy nie znajduje się dziś w katalogu OrcaRouter — trasy mowy, które udostępniamy, to rodzina tts-1 OpenAI i podglądowe wersje Gemini TTS Google — więc traktuj to jako zarys argumentu, a nie sugestię, że możesz kupić Drama 3 tutaj.

Co zmieniłoby ten werdykt: opublikowanie przez Fish krzywej współbieżności, która utrzymuje się poniżej 150 ms przy natężeniu ruchu w centrum obsługi telefonicznej, czy dodanie przez AssemblyAI słownika wymowy i czterech kolejnych języków. Wypatruj najpierw drugiej z tych możliwości. To zmiana konfiguracji, a firma, która wprowadziła jednolity cennik 15 USD, już pokazała, że woli konkurować na rachunku.