Fish Audio Drama 3 Preview zajmuje pierwsze miejsce w Open-Weights Speech Arena

Fish Audio Drama 3 Preview to model, który Fish Audio opublikowało 13 października 2026 r.; do następnego ranka zajął najwyższe miejsce wśród systemów open-weights na tabeli liderów text-to-speech Artificial Analysis. To, co sprawia, że to miejsce zasługuje na drugie spojrzenie, to nie szczyt — lecz cena, która się z nim wiąże. Pozycja ta ma cennikową stawkę 15,00 USD za milion znaków, podczas gdy każdy model sklasyfikowany blisko niej kosztuje od dwóch do pięciu razy więcej, a dwa modele bezpośrednio nad nią w rankingu, ElevenLabs Eleven v4 Turbo i ElevenLabs Eleven v4, to systemy zamknięte z cenami za znak, które skalują się w złym kierunku dla każdego, kto produkuje długie nagrania audio.

Na tablicy liderów Provider Voice Arena, gdzie głosy każdego dostawcy konkurują ze sobą, Fish Audio Drama 3 Preview zajmuje 10. miejsce z Elo 1 243. Znajduje się za parą ElevenLabs z wynikami 1 330 i 1 328, za Cartesia Sonic 3.6 z 1 286, za Qwen-Audio-3.1-TTS-Plus z 1 300 i Qwen-Audio-3.0-TTS-Plus z 1 268 oraz za Gemini 3.8 Flash TTS z 1 274. Wyprzedza drugi model z otwartymi wagami, Breeze TTS 2, który ma Elo 1 221 i kosztuje 34,00 USD za milion znaków — nieco ponad dwukrotność stawki Drama 3 Preview. Spośród 97 modeli na tej tablicy 17 to modele z otwartymi wagami, a nowy preview Fish Audio jest najwyżej sklasyfikowany spośród nich.

Odczytaj liczbę wraz z towarzyszącymi jej słupkami błędów. Podany przez ranking przedział dla tego wpisu rozciąga się od 1226,8 do 1258,8, na podstawie około 1857 porównań w ciemno i 8 głosów z areny. W porównaniu z Breeze TTS 2 przewaga jest komfortowa. W porównaniu ze Speechify Simba 3.2 przy 1245 punktach i cenie 6,60 USD już nie — to różnica 2 punktów przy nakładających się przedziałach i nikt nie powinien na tej podstawie podejmować decyzji zakupowej. Uczciwe podsumowanie jest takie, że Drama 3 Preview umieściła model z otwartymi wagami w pierwszej dziesiątce rankingu, w którym wcześniej nie miał czego szukać, i zrobiła to w cenie średniej półki.

Czym model faktycznie jest

Fish Audio opisuje Drama 3 Preview jako model mieszanki ekspertów o 35 miliardach parametrów, z około 3 miliardami parametrów aktywnych na token. Wykorzystuje hybrydowy stos uwagi — Gated DeltaNet połączony z bramkowaną pełną uwagą — w parze z dekoderem codebook-MTP i tokenizatorem opartym na DAC działającym z częstotliwością 44,1 kHz. Częściowa fuzja codebooków wprowadza z powrotem do pętli tylko pierwsze dwa codebooki. Trening przebiegał przez trzy etapy wstępnego trenowania, następnie dostrajanie instrukcyjne, a potem uczenie ze wzmocnieniem względem pojedynczego modelu nagród opartego na preferencjach ludzi, bez kształtowania nagród opartego na regułach.

Deklaracja przepustowości, która się z tym wiąże, to część, na której praktykom zależy najbardziej: Fish Audio podaje 271 klatek na sekundę na pojedynczym H200, w porównaniu ze 177 dla modelu S2, którego jest następcą, mimo że ma znacznie więcej parametrów. To wartość od producenta, a nie zweryfikowany benchmark, i będzie się zmieniać wraz z batchowaniem i długością sekwencji — ale kierunek jest spójny z rzadką architekturą robiącą to, co rzadkie architektury powinny robić.

Interfejs API nie zmienił się względem punktu końcowego S2.1 Pro. Żądania trafiają do POST https://api.fish.audio/v1/tts, a żądanie, które pomija pole model lub podaje nazwę, której usługa nie rozpoznaje, przechodzi awaryjnie do s2.1-pro, zamiast zwracać błąd. Ten mechanizm zapasowy jest wygodny i warto o nim wiedzieć, ponieważ oznacza to, że literówka w nazwie modelu daje wiarygodnie brzmiące audio w niewłaściwym głosie, a nie błąd 400.

Kontrola reżyserska, dialog w jednym przebiegu i naprawa pojedynczych słów

Trzy możliwości odróżniają tę wersję od poprzedniej generacji i wszystkie trzy są ukierunkowane na pracę produkcyjną opartą na skryptach, a nie na rozmowę na żywo.

• Instrukcje w języku naturalnym. Zamiast stałego zestawu tagów model akceptuje instrukcje w formie prostego opisu, takie jak [zdenerwowany, ledwo trzymający się w kupie] lub [ciepły i zrelaksowany, jak rozmowa ze starym przyjacielem], i może zmienić emocję lub sposób mówienia w połowie zdania bez generowania nowego ujęcia. Sparowane znaczniki inline, takie jak <whisper>…</whisper>, oraz wskazówki, takie jak [sigh], mają zastosowanie wyłącznie do tekstu, który obejmują, dzięki czemu linia może zmienić rejestr w połowie z założenia, a nie przez przypadek.

• Dialog wielu mówców w jednym przebiegu. Każda postać zachowuje własny głos w ramach jednego generowania, co eliminuje etap sklejania, który zwykle znajduje się między modelem TTS a gotową sceną. W przypadku słuchowisk i dialogów w grach to różnica między potokiem produkcyjnym a projektem badawczym.

• Inpainting audio. Segment można ponownie zaznaczyć, nadać mu nową instrukcję i wygenerować go ponownie osobno, co jest poprawką w przepływie pracy na wypadek jednego źle wymówionego słowa, które kiedyś wymuszało pełne ponowne renderowanie. Fish Audio wymienia interaktywne doświadczenie edycji, narzędzie inpaintingu i API edycji jako dostępne tylko na zaproszenie lub wkrótce, więc możliwość istnieje, ale interfejs nie jest jeszcze ogólnie dostępny.

Fish Audio twierdzi również, że obsługuje 83 języki, zachowując spójność językową w długich skryptach i przy przełączaniu w trakcie sceny, oferuje kontrolę wymowy na poziomie fonemów w języku angielskim, chińskim, japońskim, koreańskim i kilku innych językach oraz klonowanie głosu w stylu S2 na podstawie klipów referencyjnych trwających od około 10 do 30 sekund. W premierowym pokazie wykorzystano sklonowany głos Uncle Rogera, który — jak twierdzi firma — powstał i został użyty za zgodą.

Twierdzenie o wymowie i skąd ono pochodzi

Ogłoszenie Fish Audio stwierdza, że Drama 3 Preview uzyskuje łącznie 93,2% w rankingu Artificial Analysis Pronunciation Robustness i zajmuje w nim pierwsze miejsce, przed ElevenLabs Eleven v4 i Eleven v4 Turbo. Publikowane wyniki cząstkowe to 95,9% w przypadku nazw, marek i terminów technicznych wobec 87,3% dla Fish Audio S2.1 Pro; 95,3% w przypadku słów zależnych od kontekstu wobec 86,1%; 93,6% w przypadku liczb, dat i jednostek wobec 92,7%; oraz 86,3% w przypadku kodów, ścieżek i adresów e-mail wobec 79,4%.

Te liczby pochodzą z własnego ogłoszenia Fish Audio. Kiedy szukałem tabeli wyników, aby bezpośrednio odczytać wyniki dla poszczególnych modeli, ścieżki odporności na wymowę zwracały błędy 404, a interfejs tabeli wyników, który mogłem wczytać, wyświetlał ranking Elo bez dołączonego, możliwego do zacytowania wskaźnika wymowy dla poszczególnych modeli. Każda liczba w powyższym akapicie pochodzi więc od dostawcy i powinna być tak oznaczona w każdej prezentacji, która ją wykorzystuje. Liczby Elo w innych miejscach tego artykułu są inne: te odczytałem z tabeli wyników i mają własne przedziały ufności tabeli.

Zasadnicza skarga, do której odnosi się to twierdzenie, jest prawdziwa niezależnie od tego, czyim liczbom wierzysz. Wymowa nazw własnych, kodów produktów i ścieżek plików to tryb awarii, który popycha zespoły z powrotem w stronę ludzkich lektorów, i to ten, którego większość dostawców TTS najwolniej naprawia, ponieważ nie jest to problem prozodii. Model, który obsługuje 86,3% kodów, ścieżek i adresów e-mail w porównaniu z 79,4% poprzednika, wciąż myli się mniej więcej raz na siedem.

Co oznacza „open weights” w ramach tej licencji

Fish Audio Drama 3 Preview jest udostępniany na licencji Fish Audio Community License v1.0. Zapoznaj się z warunkami, zanim zaczniesz na nich opierać swoje plany. Licencja jest bezpłatna do celów badawczych i niekomercyjnych oraz jest bezpłatna do celów komercyjnych, jeśli Ty i podmioty z Tobą powiązane pozostajecie poniżej 500 000 USD rocznego przychodu. Po przekroczeniu tego progu — lub jeśli chcesz oferować model jako usługę zamiany tekstu na mowę, klonowania głosu lub inferencji, niezależnie od rozmiaru — potrzebujesz licencji od Fish Audio. Linia S2 pozostaje objęta odrębną Research License. Klonowanie głosu prawdziwej osoby bez zgody jest całkowicie zabronione.

Próg komercyjny jest potwierdzony niezależnie: tablica Artificial Analysis oznacza ten wpis jako otwarte wagi bez praw do użytku komercyjnego, co jest spójne z licencją z progiem przychodowym, a nie z licencją nieograniczoną. Jeśli jesteś małym studiem, otwarte wagi na tej licencji są realną opcją. Jeśli jesteś platformą odsprzedającą wnioskowanie, to nie są otwarte wagi w sensie, na jaki liczyłeś.

Ceny i oferta premierowa

Cena katalogowa API wynosi 50 USD za milion znaków, z 80% rabatem do 10 USD za milion od 13 października do 12 listopada 2026. Kredyty dla twórców odpowiadają S2.1 Pro, a nowe plany Plus, Pro i Max są o połowę tańsze w tym samym okresie. Artificial Analysis podaje cenę w rankingu jako 15,00 USD za milion znaków przy domyślnych ustawieniach — to właśnie tę wartość należy stosować przy porównywaniu z innymi pozycjami w tym rankingu, a nie z własnym cennikiem Fish Audio.

Okno promocyjne to część z prawdziwym terminem. Przy cenie 10 USD za milion znaków Drama 3 Preview jest o szeroki margines tańszy od zasadniczo każdego konkurencyjnego modelu w rankingu. Przy 50 USD jest droższy niż Cartesia Sonic 3.6 za 49 USD i znacznie powyżej Qwen-Audio-3.0-TTS-Plus za 19,30 USD. Każdy, kto buduje model kosztów na podstawie stawki promocyjnej, powinien zbudować drugi na podstawie stawki cennikowej i sprawdzić, czy projekt nadal działa.

Gdzie to się wpisuje w stos produkcyjny

Skryptowe audio renderowane jednorazowo to złoty środek: audiobooki, słuchowiska, dialogi w grach i animacjach, krótkie formy wideo. Generowanie wypowiedzi wielu mówców w jednym przebiegu oraz proces inpaintingu istnieją po to, by obsłużyć właśnie taki rodzaj pracy, a rozliczenie jest za znak, a nie za minutę, co sprzyja długim skryptom. Interaktywne edytowanie i API edycji nie są jeszcze ogólnie dostępne, więc przepływ pracy, który od nich zależy, to przepływ pracy, który zależy od zaproszenia.

Pytanie operacyjne, które się po tym pojawia, dotyczy routingu — i w przypadku mowy jest ono trudniejsze niż w przypadku tekstu. Fish Audio Drama 3 Preview nie jest dziś jednym z modeli dostępnych w OrcaRouter. Dostęp do niego uzyskuje się przez własne API producenta oraz kilka platform zewnętrznych. To samo dotyczy większości porównanych powyżej modeli — pierwsza dziesiątka rankingu mowy to zestaw endpointów specyficznych dla danego dostawcy, z uwierzytelnianiem specyficznym dla dostawcy, a każdy z nich to odrębna integracja i odrębna domena awarii. OrcaRouter oferuje ~200 modeli za jednym kluczem w cenie katalogowej dostawcy, bez narzutu, obejmujących pracę z tekstem, wizją i rozumowaniem, a jego automatyczne przełączanie awaryjne istnieje dokładnie na wypadek sytuacji, gdy endpoint jednego z dostawców degraduje się w trakcie działania. Praktyczny schemat dla produkcyjnej ścieżki mowy to pozostawienie dostawcy mowy bezpośrednio i utrzymanie wszystkiego, co on orkiestruje — podsumowywania, etapu tłumaczenia, generatora słownika wymowy, klasyfikatora QA — za pojedynczym routowanym endpointem, tak aby ewentualne przełączenie awaryjne w tym miejscu nie pociągnęło za sobą pipeline'u renderowania.

Konkluzja

Fish Audio Drama 3 Preview to realny wynik, a nie artefakt tygodnia premiery: 10. miejsce w Provider Voice Arena przy Elo 1 243, pierwsze wśród 17 pozycji open-weights w rankingu, przy 15,00 USD za milion znaków wobec 34 USD za kolejny model open-weights poniżej. Odstępy do szczytu rankingu są wciąż duże, a przedziały ufności pokrywają się z przedziałami najbliższych sąsiadów, więc korona open-weights to pozycja startowa, a nie prowadzenie. Wskaźnik wymowy 93,2% pochodzi od samego dostawcy i nie można go było niezależnie odczytać z rankingu. Licencja ma pułap przychodów z użytku komercyjnego wynoszący 500 000 USD, co całkowicie wykluczy go w przypadku niektórych zespołów. A stawka 10 USD wygasa 12 listopada 2026 r.

W przypadku studia tworzącego audio ze scenariuszem na dużą skalę połączenie generowania wielu mówców w jednym przebiegu, inpaintingu pojedynczych słów i licencji open-weights poniżej progu przychodów jest tutaj najmocniejszym argumentem — mocniejszym niż pozycja w rankingu, która trafi na nagłówki.

Wybory modeli takie jak ten to również miejsce, w którym ujawniają się tryby awarii: udokumentowane incydenty AI i awarie agentów dotyczące modeli w tej klasie są gromadzone w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i flagę sporną.