Fish Audio Drama 3 ma teraz jednocześnie w rękach obie areny mowy — i żadna z tych liczb nie jest tą, którą widziałeś w zeszłym tygodniu

Tabela liderów zawiera dwa wpisy dla jednego produktu. Fish Audio Drama 3 zajmuje szóste miejsce w Artificial Analysis Provider Voice Arena z wynikiem Elo 1 278 i dwunaste w Controlled Voice Arena z wynikiem 1 085, a na obu listach jest najwyżej sklasyfikowanym modelem z otwartymi wagami w tabeli. Wpis oznaczony jako Fish Audio Drama 3 Preview — ten, który trafił do mediów, gdy Fish Audio opublikowało go 2026-10-13 — jest nadal wymieniany osobno, z wynikami 1 240 i 1 063. To różnica 38 punktów na jednej liście i 22 na drugiej, w przypadku czegoś, co strona produktu samego dostawcy nazywa jednym modelem pod dwiema nazwami. Jeśli w ciągu ostatnich dwóch tygodni cytowałeś wynik Elo Drama 3, ten tekst mówi ci, którego z dwóch cytowałeś.

Co dziś faktycznie mówią tablice

Obie wartości odczytano z Artificial Analysis w dniu 29.10.2026 i obie mają tę samą odnotowaną w rankingu stawkę 15,00 USD za milion znaków, więc 38-punktowa różnica nie jest zmianą ceny — to dwie oceny dwóch zarchiwizowanych stanów tego samego modelu. Pozycje w rankingu głosów dostawców powyżej Drama 3 to wyłącznie systemy zamknięte: Eleven v4 Turbo z wynikiem 1 336 i ceną 40,00 USD, Eleven v4 z wynikiem 1 334 i ceną 80,00 USD, Qwen-Audio-3.1-TTS-Plus z wynikiem 1 305 i ceną 19,30 USD, Cartesia Sonic 3.6 z wynikiem 1 296 i ceną 49,00 USD oraz Google Gemini 3.8 Flash TTS z wynikiem 1 283 i ceną 16,50 USD. Każdy z tych systemów kosztuje więcej za milion znaków niż pozycja Fish Audio sklasyfikowana bezpośrednio poniżej nich.

Ranking kontrolowanych głosów to miejsce, w którym dwa rekordy Drama 3 najbardziej różnią się pozycją w rankingu i w którym twierdzenie o otwartych wagach najłatwiej zweryfikować, ponieważ wszystkie modele są tam oceniane na tych samych stałych głosach referencyjnych, a nie na własnym katalogu każdego dostawcy. Pełny rozrzut dla wpisów z otwartymi wagami na dzień dzisiejszy:

• Głos dostawcy — Fish Audio Drama 3 1,278 (#6); Fish Audio Drama 3 Preview 1,240 (#12); Breeze TTS 2 1,228 (#13); Voxtral 3 TTS 1,223 (#15).

• Kontrolowany głos — Fish Audio Drama 3 1,085 (#12); Ming-3.0-tts 1,068 (#17); Fish Audio Drama 3 Preview 1,063 (#20); Breeze TTS 2 1,021 (#28).

• Luka, która ma znaczenie — w przypadku kontrolowanych głosów Drama 3 wciąż plasuje się za Eleven v4 (1,156, #4), Inworld Realtime TTS-2 (1,146, #7), a Google Gemini 3.8 Flash TTS (1,053, #24) jest poniżej, ale zamknięte systemy na szczycie tej tabeli nie są oddalone o cztery punkty, tylko o siedemdziesiąt. HeyGen Voice prowadzi z wynikiem 1,193.

Wynikają z tego dwie rzeczy. Po pierwsze, „pierwsze miejsce wśród otwartych wag” jest dziś prawdziwe na obu arenach i na żadnej nie jest remisem. Po drugie, przewaga na kontrolowanej tablicy — 17 punktów Elo nad Ming-3.0-tts przy jednej piątej liczby parametrów — mieści się w zakresie, w którym kilka tysięcy głosów może zmienić kolejność, więc traktuj ją jako prowadzenie, a nie jako pewnik.

Wynik za wymowę to wspólne pierwsze miejsce, a nie samodzielne pierwsze miejsce.

Komunikat Fish Audio podaje wynik 93,2% w benchmarku English Pronunciation Robustness Artificial Analysis, wobec 88,1% dla poprzedniego S2.1 Pro, i opisuje go jako najwyższy wynik w tabeli liderów. Było to zgodne z prawdą, gdy wynik pojawił się 2026-10-20, z zastrzeżeniem, które materiał marketingowy pomija: Ming-3.0-tts Ant Group osiągnął te same 93,2%, więc tabela pokazuje remis na pierwszym miejscu wśród 31 ocenianych modeli, a nie jednego lidera. Eleven v4 zajmuje 91,7%, a Eleven v4 Turbo 90,1%.

Wynik zbiorczy ukrywa prawdziwy kompromis. Mocną stroną Drama 3 są nazwy własne i słowa zależne od kontekstu — 95,9% w przypadku samodzielnych terminów, takich jak marki, miejsca i nazwy techniczne, oraz 95,3% w przypadku słów, których odczyt zależy od zdania. Jej słabością jest wszystko, co musi być odtworzone znak w znak: 86,3% w przypadku kodów, ścieżek i adresów e-mail, gdzie Ming osiąga 90,6%. Jedyną kategorią, w której Drama 3 zdecydowanie przegrywa, jest rozwijanie skrótów — liczby, daty i jednostki — gdzie osiąga 93,6% wobec 94,1% Eleven v4. Jeśli Twój potok przetwarzania odczytuje na głos numery zamówień, kody części lub ciągi śledzenia, wiodąca wartość 93,2% to niewłaściwa liczba, na której należy opierać planowanie; właściwa jest 86,3%.

Co wydano 2026-10-13 i jak wiele zmienia szesnaście dni

Nic z tego nie jest premierą i nie powinno być jako premierę relacjonowane. Fish Audio udostępniło model w swojej aplikacji webowej, aplikacjach na iOS i Android oraz w swoim API w dniu 2026-10-13, z identyfikatorem modelu w API "drama-3". Nowością ostatnich dwóch tygodni jest niezależna ocena modelu w wersji ogólnodostępnej, a nie samo istnienie modelu. Warto jasno przedstawić praktyczne konsekwencje tego rozróżnienia, ponieważ wcześniejsze materiały o tym modelu — w tym na tym blogu — opierały się na danych Preview.

Architektura nie zmieniła się między oba wpisami: to 35-miliardowy mixture-of-experts zainicjowany z Qwen3.5-35B-A3B, z około 3 mld parametrów aktywnych na token oraz 8 z 256 ekspertów routowanych plus jeden wspólny ekspert uruchamiany. Czterdzieści warstw ułożonych w powtarzające się bloki złożone z trzech warstw Gated DeltaNet i jednej warstwy gated full-attention, więc tylko co czwarta warstwa utrzymuje KV cache. Dekoder ma konstrukcję codebook-MTP — cztery wspólne warstwy zasilają dziewięć warstw pełnej szerokości, jedną na każdy codebook akustyczny — a tylko codebooki 0 i 1 są podawane z powrotem do backbone’u. Tokenizator to ten sam zestaw Descript Audio Codec, którego używał S2: 44,1 kHz, dziesięć codebooków, około 21,5 klatki na sekundę, całkowicie przyczynowy. Warto zwrócić uwagę na jedną niewielką niespójność, ponieważ może ona zdezorientować każdego, kto porównuje oba źródła: ogłoszenie Fish Audio podaje 35 mld parametrów, a karta modelu na Hugging Face podaje rozmiar modelu 36B. Różnica wynika prawdopodobnie z zaokrąglenia lub konwencji liczenia embeddingów, a nie z innego checkpointu, ale to właśnie te dwie liczby znajdziesz w każdym z tych miejsc.

Przepustowość na pojedynczym H200 to deklarowana przez dostawcę wartość 271 klatek na sekundę wobec 177 dla S2 — czyli to, co powinien zapewniać 35B MoE z 3B aktywną ścieżką. Serwowanie odbywa się przez SGLang-Omni. Wagi są dostępne na Hugging Face jako fishaudio/drama-3 — około 40 GB w zestawie shardów safetensors plus osobny plik kodeka — a wnioskowanie w FP8 wymaga około 48 GB VRAM, przy czym nie udokumentowano ścieżki CPU ani ROCm. To ostatnie ograniczenie przesądza o większości kwestii związanych z samodzielnym hostingiem i jest tematem porównania Breeze TTS 2, a nie tego porównania.

Trzy ceny, a ta karta nie jest tą, względem której powinieneś planować.

Tutaj trzeba wprost wskazać źródła, ponieważ w obiegu są trzy liczby i dwie z nich nie są tym, na co wyglądają. Artificial Analysis podaje 15,00 USD za milion znaków dla obu pozycji Drama 3. Strona z ogłoszeniem Fish Audio podaje cenę katalogową 50,00 USD za milion znaków z ceną premierową 10,00 USD, czyli 80% zniżki, do 2026-11-12. A dokumentacja dla programistów Fish Audio rozlicza w zupełnie innej, trzeciej jednostce: za milion bajtów UTF-8, przy czym drama-3 kosztuje 50,00 USD, s2.1-pro 15,00 USD, a stawka premierowa wynosi 10,00 USD do 2026-11-12 09:00 PT. W języku angielskim przypada blisko jeden bajt na znak, więc dla tekstu angielskiego wartości w bajtach i znakach są w przybliżeniu wymienne, natomiast wyraźnie się rozjeżdżają w przypadku pism, w których na jeden glif przypada więcej niż jeden bajt.

15,00 USD na tabeli wyników zasługuje na drugie spojrzenie, a nie na wzruszenie ramion, ponieważ jest to dokładnie stawka cennikowa s2.1-pro, poprzedniego modelu Fish Audio, a nie stawka modelu, który jest oceniany. Albo tabela zapisała uśrednioną lub przeniesioną kwotę, albo wyceniła model według stawki, której Fish Audio dla niego nie publikuje. Kwotą, na której należy opierać budżet, jest ta z własnej tabeli cen Fish Audio: 50,00 USD za milion bajtów UTF-8 według cennika, co dokumentacja dostawcy utożsamia z około 180 000 angielskich słów, czyli mniej więcej dwunastoma godzinami mowy — powiedzmy 4,17 USD za godzinę gotowego audio. Rabat premierowy, który wygasa za dwa tygodnie, nie jest cennikiem; przy 10,00 USD te same dwanaście godzin kosztuje około 0,83 USD.

Licencja: otwarte wagi, a nie open source, i jedna klauzula, która wiele przesądza

Wagi są publikowane na licencji Fish Audio Community License v1.0. Badania i użycie niekomercyjne są darmowe. Użycie komercyjne jest darmowe, jeśli Ty i Twoje podmioty stowarzyszone pozostajecie poniżej 500 000 USD rocznego przychodu; powyżej tej kwoty lub jeśli chcesz oferować Drama 3 jako usługę syntezy mowy, klonowania głosu lub inferencji, potrzebujesz odrębnej licencji od Fish Audio. Licencja zakazuje również klonowania głosu prawdziwej osoby bez zgody, a FAQ Fish Audio uznaje „tworzenie gotowego audio dla klientów” za dozwolone, co jest klauzulą istotną dla agencji i studiów postprodukcyjnych. S2 nadal objęty jest bardziej restrykcyjną Research License, więc obie generacje nie są wymienne we wdrożeniu komercyjnym.

Artificial Analysis klasyfikuje ten model jako open weights, ale bez pełnych praw do użytku komercyjnego. To uczciwy opis: model można pobrać i uruchomić, ale niekoniecznie można sprzedawać dostęp do niego. Każdy, kto planuje zbudować produkt hostowany na bazie tych wag, powinien przeczytać klauzulę dotyczącą usługi przed zbudowaniem strony rozliczeniowej, a nie po.

Co to oznacza dla pipeline'u produkcyjnego

Powód, dla którego wynik dotyczący dwóch aren zasługuje na wpis, a nie na przypis, jest taki, że zmienia to, co zespół może zakładać. Szesnaście dni temu dający się obronić komunikat brzmiał, że model z otwartymi wagami wszedł do pierwszej dziesiątki rankingu preferencji i twierdził, że prowadzi w wymowie na podstawie własnej ewaluacji. Dziś niezależny werdykt jest węższy i mocniejszy: to najlepszy model z otwartymi wagami na obu arenach, zajmuje wspólnie pierwsze miejsce w wymowie, a nie samodzielnie, i osiąga to przy stawce średniej półki z wagami, które każdy może pobrać.

Drama 3 nie jest jednym z modeli w OrcaRouter. Dostęp do niego uzyskuje się przez własne API Fish Audio i kilka zewnętrznych platform, a tekst, który sugerowałby coś innego, okłamałby cię co do jednej rzeczy, dla której ten blog istnieje. My natomiast zajmujemy się drugą połową problemu: ~200 modeli dostępnych za jednym kluczem w cenie katalogowej dostawcy, bez narzutów, automatyczne przełączanie awaryjne, DSL routingu i fuzja modeli sprawiają, że potok, który już wywołuje innych dostawców, przyswaja taki model bez drugiej umowy i drugiego SDK. Jeśli Drama 3 stanie się głosem narracji w kolejce renderowania, a kolejka ma termin, wartością kierowania wszystkiego innego przez jeden punkt końcowy jest to, że ścieżka ponawiania już istnieje.

Czego wypatrywać w ciągu najbliższych dwóch tygodni — w kolejności od tego, co najbardziej zmieniłoby obraz sytuacji: czy 22-punktowa luka między dwoma rekordami Drama 3 zamknie się czy poszerzy, w miarę jak więcej głosów trafi do wpisu detalicznego; czy Ming-3.0-tts wysunie się na prowadzenie pod względem wymowy, gdy jego wynik w kategorii nazw własnych (21. miejsce) zostanie ponownie zmierzony przy większej liczbie fragmentów; oraz czy ktokolwiek spoza Fish Audio odtworzy wynik 271 klatek na sekundę na sprzęcie innym niż H200. Liczby z areny są już na tyle ustalone, że można je cytować. Liczba przepustowości wciąż jest deklaracją dostawcy, a licencja nadal jest tym, co najprawdopodobniej zdecyduje, czy zespół może w ogóle tego użyć.