Fish Audio Drama 3 vs Breeze TTS 2: Porównanie modeli z otwartymi wagami, które kończy się na wartości VRAM

Fish Audio Drama 3 i Breeze TTS 2 to dwa najwyżej sklasyfikowane modele text-to-speech z otwartymi wagami w Provider Voice Arena Artificial Analysis, różniące się o 50 punktów Elo, i tak naprawdę nie konkurują o to samo wdrożenie. Drama 3 to 35-miliardowo-parametrowy model mieszanki ekspertów, który wymaga jednej karty 48 GB. Breeze TTS 2 od BreezeBlue to gęsty model z 3 miliardami parametrów z opublikowanym kodem inferencji w PyTorch. Ta różnica w zapotrzebowaniu na zasoby rozstrzyga więcej pytań zakupowych niż różnica w Elo, ponieważ modelu, którego nie możesz uruchomić, nie możesz też ocenić — a do tego dwie licencje ciągną w przeciwnych kierunkach.

Ta sama etykieta, dwa różne rodzaje otwartych wag

Obie pozycje pokazują na tablicy link do wag, a obie zostałyby opisane w komunikacie prasowym jako otwarte. Żadna nie jest open source, a ograniczenia nie mają tego samego kształtu.

Wagi Breeze TTS 2 trafiły do Hugging Face 25 sierpnia 2026 r. jako BreezeBlue/Breeze-TTS-2, wraz z kodem wnioskowania PyTorch, na licencji badawczo-niekomercyjnej. Stanowi to twardą przeszkodę dla wdrożenia komercyjnego bez odrębnego porozumienia i od tego czasu się nie zmieniło. Firma ogłosiła model 16 i 17 sierpnia 2026 r. jako model głosowy czasu rzeczywistego do mediów interaktywnych, uruchomiła hostowane API w cenie 34 USD za milion znaków i dziewięć dni później opublikowała wagi. BreezeBlue została założona przez Yang Bina, byłego współzałożyciela technicznego MiniMax, w ramach rundy zalążkowej o wartości 6 mln USD, którą prowadziły Yuanjing Capital i Redpoint China.

Fish Audio Drama 3 jest udostępniany na warunkach Fish Audio Community License v1.0, która jest znacznie bardziej liberalna w kwestii najbardziej istotnej dla większości zespołów: użycie komercyjne jest bezpłatne poniżej 500 000 USD rocznego przychodu dla Ciebie i Twoich podmiotów stowarzyszonych, a FAQ uznaje tworzenie gotowego audio dla klientów za dozwolone. Powyżej tego progu lub jeśli chcesz hostować Drama 3 jako usługę zamiany tekstu na mowę, klonowania głosu lub inferencji, potrzebujesz licencji od Fish Audio. Licencja zabrania także klonowania głosu prawdziwej osoby bez jej zgody. S2 — poprzednik — nadal podlega bardziej restrykcyjnej Research License, więc dwóch generacji Fish Audio nie można traktować jako jednej kategorii prawnej.

Praktyczny wniosek: Breeze TTS 2 jest modelem łatwiejszym do eksperymentowania i trudniejszym do komercyjnego wdrożenia; Drama 3 jest odwrotnie. Jeśli Twoja ewaluacja to demo badawcze albo narzędzie wewnętrzne, licencja Breeze'a nie stoi Ci na drodze, a jego rozmiar 3B sprawia, że eksperyment jest tani. Jeśli Twoja ewaluacja kończy się produktem, to warunki Fish Audio są tymi, które prawnik podpisze bez negocjacji.

Jedna uwaga do karty modelu Breeze zasługuje na wyróżnienie, ponieważ jest już nieaktualna. We wstępie karty wciąż napisano, że model „zajmuje #1 miejsce wśród modeli z otwartymi wagami na leaderboardzie TTS Artificial Analysis”. Było to prawdą w momencie pisania; obecnie ranking plasuje Breeze TTS 2 na trzynastym miejscu w kategorii głosów dostawców i dwudziestym ósmym w kategorii głosów kontrolowanych, za obydwoma wpisami Fish Audio. Karty modeli starzeją się szybciej niż rankingi, a czytelnik, który sprawdziłby tylko kartę, odniósłby błędne wrażenie co do pozycji w rankingu.

Liczby areny i dlaczego luka w kontrolowanym głosie jest większa

Odczyt z Artificial Analysis na dzień 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 na 6. miejscu z Elo wynoszącym 1 278 i odnotowaną w rankingu stawką 15,00 USD za milion znaków; Breeze TTS 2 na 13. miejscu z wynikiem 1 228 i 34,00 USD. Różnica 50 punktów, przy czym wszystkie modele sklasyfikowane pomiędzy nimi to systemy zamknięte.

• Controlled Voice Arena — Fish Audio Drama 3 na 12. miejscu z wynikiem 1,085; Breeze TTS 2 na 28. miejscu z wynikiem 1,021. 64-punktowa różnica — a jest to ranking, w którym każdy model jest oceniany na tych samych stałych głosach referencyjnych, a nie na głosach zaprojektowanych przez jego własnego dostawcę.

• Kierunek zwiększania się różnicy — przewaga Drama 3 rośnie o 14 punktów, gdy wyłączysz z porównania katalog głosów samego dostawcy. To najbardziej użyteczna pojedyncza liczba w tym starciu, ponieważ mówi, że prowadzenie Fish Audio nie jest artefaktem tego, jak dobrze brzmią jego standardowe głosy.

Pięćdziesiąt lub sześćdziesiąt cztery punkty Elo to realna różnica w testach preferencji w ciemno i nie jest to różnica, która się utrzymuje, gdy model jest jedynym w porównaniu. Oba są znacznie poniżej zamkniętej czołówki: Eleven v4 Turbo prowadzi ranking dostawców z wynikiem 1,336, a HeyGen Voice prowadzi ranking kontrolowany z wynikiem 1,193. Para modeli z otwartymi wagami oferuje możliwe do samodzielnego hostowania minimum, a nie czołówkę.

Czego tak naprawdę potrzebuje każdy z nich, aby działać

To tutaj porównanie przestaje być abstrakcyjne.

• Drama 3 — 35B parametrów łącznie, około 3B aktywnych na token, 8 z 256 ekspertów routowanych plus jeden wspólny. Wagi zajmują około 40 GB w zestawie shardów oraz osobny plik kodeka, a wnioskowanie w FP8 wymaga około 48 GB VRAM. Fish Audio nie dokumentuje żadnej ścieżki CPU, Apple Silicon ani ROCm. Na pojedynczym H200 dostawca podaje 271 klatek na sekundę wobec 177 dla S2, co jest korzyścią płynącą z rzadkiej architektury; liczba ta pochodzi od dostawcy i nie została odtworzona poza Fish Audio.

• Breeze TTS 2 — 3B gęstych parametrów. Checkpoint BF16 ma około 6 GB, więc z łatwością mieści się na karcie 24 GB, a prawdopodobnie także na mniejszych kartach przy kwantyzacji. Kod wnioskowania znajduje się w repozytorium, a nie jest tylko domniemany. Brak opublikowanych danych dotyczących opóźnień na poziomie pojedynczego strumienia, ale model został zaprojektowany i sprzedawany z myślą o interaktywnych mediach w czasie rzeczywistym, co jest innym wymaganiem niż narracja wysokiej wierności.

• Tokenizer — Drama 3 zachowuje konfigurację Descript Audio Codec z S2: 44,1 kHz, dziesięć codebooków, około 21,5 klatki na sekundę, całkowicie przyczynową. Tokenizer Breeze TTS 2 nie jest czymś, co mogę przytoczyć ze źródła pierwotnego, a porównanie oparte na wymyślonym tokenizerze byłoby fałszywą precyzją.

Konsekwencja jest dosadna. Zespół mający cztery karty 24 GB może dziś uruchomić Breeze TTS 2 i nie może uruchomić Drama 3 bez sztuczek z shardingiem, których Fish Audio nie dokumentuje. Zespół dysponujący jedną kartą klasy H200 wybiera między modelem pasującym do jego sprzętu a modelem o 50 punktów Elo lepszym. Żadna z tych odpowiedzi nie jest błędna; to odpowiedzi na różne pytania.

Koszt przy wolumenie, w jednostce, którą Fish Audio faktycznie stosuje w rozliczeniach

Dokumentacja Fish Audio podaje ceny za milion bajtów UTF-8, a nie za znak, co zmienia arytmetykę dla każdego, kto nie pisze po angielsku. Według tej samej dokumentacji milion bajtów UTF-8 to około 180 000 angielskich słów lub dwanaście godzin mowy. Drama 3 ma cenę katalogową 50,00 USD za milion bajtów — około 4,17 USD za godzinę gotowego audio — ze stawką wprowadzającą 10,00 USD, około 0,83 USD za godzinę, obowiązującą do 2026-11-12 09:00 PT. Breeze TTS 2 kosztuje 34,00 USD za milion znaków, co przy tym samym przybliżonym przeliczeniu daje około 2,83 USD za godzinę.

Zatem ranking odwraca się w zależności od dnia zakupu. W trakcie promocji Drama 3 kosztuje w przybliżeniu jedną trzecią godzinowego kosztu Breeze TTS 2. Po 2026-11-12 Drama 3 w cenniku jest około 47% droższa za godzinę niż Breeze — będąc jednocześnie lepsza o 50 do 64 punktów Elo na arenach i istotnie lepsza pod względem wymowy. A w przypadku tekstu CJK lub cyrylicy rozliczanie oparte na bajtach wypycha Drama 3 jeszcze wyżej: znak trzybajtowy kosztuje trzy razy tyle co znak angielski w tej tabeli, podczas gdy dostawca rozliczający per znak pobiera taką samą opłatę za oba.

Dwa szczegóły rozliczeniowe z tej samej dokumentacji warto przenieść do modelu budżetowego, ponieważ oba po cichu zawyżają rzeczywiste wydatki. Limity szybkości dotyczą równoległych żądań, a nie żądań na sekundę — 5 równoległych w planie starter, 15 od $100 po opłaceniu, 50 od $1,000 — a żądanie przekraczające limit zwraca 429 bez nagłówka retry-after, więc naiwny renderer równoległy musi samodzielnie zaimplementować backoff. Żądania wskazujące identyfikator modelu, którego brakuje lub który nie jest dokładnym dopasowaniem, są realizowane i rozliczane jako model domyślny, co po stronie TTS oznacza, że błędnie zapisany nagłówek Drama 3 podczas promocji może rozliczyć cię według stawki S2.1 Pro zamiast zniżki.

Podłączając oba pod jeden pipeline

Ani Fish Audio Drama 3, ani Breeze TTS 2 nie jest jednym z modeli w OrcaRouter. Dostęp do każdego z nich uzyskuje się przez własne API dostawcy, a w przypadku Fish Audio – przez platformy zewnętrzne, i uczciwa wersja tej sekcji mówi to wprost, zamiast sugerować drogę, której nie mamy.

Warstwa orkiestracji to osobna kwestia i właśnie tam podział na dwa modele się opłaca. Małe studio, które chce Drama 3 do narracji i Breeze TTS 2 do promptów UI w czasie rzeczywistym, obsługuje dwa SDK, dwie tabele stawek i dwa tryby awarii wobec jednego terminu. Kierowanie reszty stosu przez jeden punkt końcowy po cenniku dostawcy bez marży, z automatycznym przełączaniem awaryjnym między usługami upstream, sprawia, że wybór dostawcy TTS staje się wierszem w konfiguracji, a nie drugą umową — a DSL routingu może łączyć wywołanie modelu z etapem audio zamiast sklejać je w kodzie aplikacji.

Jeśli wybierasz dziś jeden model i sprzęt jest już kupiony, decyzja jest niemal rozstrzygnięta za ciebie: 48 GB VRAM to inna pozycja budżetowa niż 6 GB, a licencja Breeze wyłącznie do badań to inna analiza prawna niż licencja społecznościowa Drama 3 z limitem przychodu. Jeśli wybierasz jeden model pod względem jakości w klasie otwartych wag, odpowiedź brzmi Drama 3 na obu arenach i w wymowie, a argument cenowy obowiązuje tylko przez najbliższe dwa tygodnie.